sid.inpe.br/mtc-m21b/2015/03.24.02.06-TDI
GERENCIAMENTO DE OBJETIVOS PARA UM
SISTEMA EMBARCADO EM SATÉLITE DE
MONITORAMENTO AUTÔNOMO DE INCÊNDIO
Juliana Joria Padilha
Dissertação de Mestrado do Cursode Pós-Graduação em Engenhariae Tecnologia Espaciais/Engenhariae Gerenciamento de SistemasEspaciais, orientada pelos Drs.Fabricio de Novaes Kucinskis,e Mauricio Gonçalves VieiraFerreira, aprovada em 24 defevereirio de 2015.
URL do documento original:<http://urlib.net/8JMKD3MGP3W34P/3J7FHN2>
INPESão José dos Campos
2015
PUBLICADO POR:
Instituto Nacional de Pesquisas Espaciais - INPEGabinete do Diretor (GB)Serviço de Informação e Documentação (SID)Caixa Postal 515 - CEP 12.245-970São José dos Campos - SP - BrasilTel.:(012) 3208-6923/6921Fax: (012) 3208-6919E-mail: [email protected]
COMISSÃO DO CONSELHO DE EDITORAÇÃO E PRESERVAÇÃODA PRODUÇÃO INTELECTUAL DO INPE (DE/DIR-544):Presidente:Marciana Leite Ribeiro - Serviço de Informação e Documentação (SID)Membros:Dr. Gerald Jean Francis Banon - Coordenação Observação da Terra (OBT)Dr. Amauri Silva Montes - Coordenação Engenharia e Tecnologia Espaciais (ETE)Dr. André de Castro Milone - Coordenação Ciências Espaciais e Atmosféricas(CEA)Dr. Joaquim José Barroso de Castro - Centro de Tecnologias Espaciais (CTE)Dr. Manoel Alonso Gan - Centro de Previsão de Tempo e Estudos Climáticos(CPT)Dra Maria do Carmo de Andrade Nono - Conselho de Pós-GraduaçãoDr. Plínio Carlos Alvalá - Centro de Ciência do Sistema Terrestre (CST)BIBLIOTECA DIGITAL:Dr. Gerald Jean Francis Banon - Coordenação de Observação da Terra (OBT)Clayton Martins Pereira - Serviço de Informação e Documentação (SID)REVISÃO E NORMALIZAÇÃO DOCUMENTÁRIA:Simone Angélica Del Ducca Barbedo - Serviço de Informação e Documentação(SID)Yolanda Ribeiro da Silva Souza - Serviço de Informação e Documentação (SID)EDITORAÇÃO ELETRÔNICA:Marcelo de Castro Pazos - Serviço de Informação e Documentação (SID)André Luis Dias Fernandes - Serviço de Informação e Documentação (SID)
sid.inpe.br/mtc-m21b/2015/03.24.02.06-TDI
GERENCIAMENTO DE OBJETIVOS PARA UM
SISTEMA EMBARCADO EM SATÉLITE DE
MONITORAMENTO AUTÔNOMO DE INCÊNDIO
Juliana Joria Padilha
Dissertação de Mestrado do Cursode Pós-Graduação em Engenhariae Tecnologia Espaciais/Engenhariae Gerenciamento de SistemasEspaciais, orientada pelos Drs.Fabricio de Novaes Kucinskis,e Mauricio Gonçalves VieiraFerreira, aprovada em 24 defevereirio de 2015.
URL do documento original:<http://urlib.net/8JMKD3MGP3W34P/3J7FHN2>
INPESão José dos Campos
2015
Dados Internacionais de Catalogação na Publicação (CIP)
Padilha, Juliana Joria.P134g Gerenciamento de objetivos para um sistema embarcado em
satélite de monitoramento autônomo de incêndio / Juliana JoriaPadilha. – São José dos Campos : INPE, 2015.
xxvi + 186 p. ; (sid.inpe.br/mtc-m21b/2015/03.24.02.06-TDI)
Dissertação (Mestrado em Engenharia e TecnologiaEspaciais/Engenharia e Gerenciamento de Sistemas Espaciais) –Instituto Nacional de Pesquisas Espaciais, São José dos Campos,2015.
Orientadores : Drs. Fabricio de Novaes Kucinskis, e MauricioGonçalves Vieira Ferreira.
1. Incêndio. 2. Autonomia. 3. Gerenciamento de objetivos.I.Título.
CDU 629.01:629.78:614.841.42
Esta obra foi licenciada sob uma Licença Creative Commons Atribuição-NãoComercial 3.0 NãoAdaptada.
This work is licensed under a Creative Commons Attribution-NonCommercial 3.0 UnportedLicense.
ii
iv
v
AGRADECIMENTOS
Agradeço a minha família: Luciria Joria Padilha (mãe), Pedro Alves Padilha
Neto (pai) e Gustavo Joria Padilha (irmão) que sempre me deram força para
seguir meus sonhos. Minha mãe, que mesmo não estando mais entre nós,
sempre me ensinou a acreditar em mim, dando-me forças para nunca desistir
dos meus objetivos e meu pai que acreditou em mim e me apoiou quando
decidi fazer meu mestrado. Meu irmão pelo apoio desde o início e pelas
inúmeras conversas sobre minhas decisões nesse percurso.
Agradeço à Maria Conceição que me ajudou desde quando cheguei ao INPE
há sete anos e que se dedica, com muito amor, a ajudar todos alunos a
realizarem seus sonhos.
Agradeço ao Jeison Santiago e Jequelia Egle Rosa dos Santos pelo apoio e
companheirismo durante todo esse tempo.
Agradeço à Dra. Ana Maria Ambrósio que me apoiou e aconselhou antes e
durante meu mestrado, além disso, forneceu equipamentos e sala onde eu
pudesse me instalar dentro do INPE para realizar meus estudos.
Não posso deixar de agradecer ao Dr. Walter Abraão e à CAPES que me
concederam uma bolsa de estudos para que eu pudesse terminar meu
mestrado acreditando em meu potencial para realizar este estudo com
sucesso.
Professor Roberto Claudino, meu orientador na graduação, outra pessoa que
agradeço por ter acreditado em mim e me apoiado sempre que precisei mesmo
depois de anos sem nos encontrarmos.
Agradeço aos amigos que me apoiaram e continuaram presentes mesmo nas
horas difíceis, isso fez muita diferença nesses momentos. Em especial,
agradeço à Roberta Porto que não me deixou desistir em nenhum momento,
vi
Joyce Lara que ajudou com várias discussões que ajudaram a me manter firme
no meu objetivo e ao Italo Pinto Rodrigues que dividiu sala comigo e me deu
muitas dicas importantes.
Preciso agradecer à Flávia que me deu suporte com relação aos materiais
necessários para o curso. Agradeço à Edleusa que sempre esteve presente
ajudando e apoiando em todos momentos que precisei. À Valdirene que
prontamente me a ajudou com relação a procedimentos legais dentro do curso.
E a Pós Graduação que me ajudou com os materiais que precisei durante o
curso.
Principalmente agradeço ao Roberto Orlando Zardo que esteve a meu lado, me
trazendo tranqüilidade, segurança, apoio e paz durante a fase mais difícil de
meu mestrado.
Agradeço a Deus, acima de tudo, que não me deixou faltar nada para que eu
alcançasse meu objetivo.
Agradeço aos meus orientadores Mauricio Vieira Gonçalves Ferreira e Fabrício
de Novaes Kuscinsks que me ajudaram a concluir minha pesquisa. À equipe do
grupo SUBORD que me apoiou durante os momentos em que trabalhei com
eles, em especial ao Ronaldo Arias.
Agradeço a toda a minha família tios, primos e primas que mesmo distantes
torceram e me apoiaram. E, principalmente, meus avós, que se alegravam e se
orgulharam com cada conquista minha.
Agradeço aos funcionários do INPE, em geral, que mantiveram um ambiente
agradável para trabalhar e sempre se preocupavam em me ajudar no que era
preciso.
Enfim, agradeço ao INPE que me possibilitou a realização deste sonho,
fornecendo toda a estrutura que precisei nesse período.
vii
RESUMO
Buscando a introdução de uma maior autonomia no espaço para o INPE essa dissertação introduz a ideia de uma missão hipotética de Monitoramento Autônomo de Incêndios. Essa missão visa uma melhoria nas imagens adquiridas e no tempo de resposta para os usuários finais com relação ao Monitoramento de Queimadas e Incêndios atual realizado pela instituição. Para isso será necessário uma câmera de alta resolução a qual terá autonomia para decidir quais focos de incêndios em uma determinada região devem ser imageados. Para que essa característica de autonomia no espaço possa ser utilizada é necessária uma arquitetura que habilite tal função. Dentro do INPE já existe uma arquitetura que introduz a autonomia e por isso, ela será utilizada nesta pesquisa. Essa arquitetura é a GOESA, porém, a GOESA não possui implementado seu módulo responsável pela tomada de decisão e, portanto, ele precisou ser desenvolvido. Com a GOESA habilitada para possuir essa autonomia, foi possível introduzir o modelo da Missão de Monitoramento Autônomo de Incêndios e realizar testes viabilizando a existência de uma missão autônoma para monitoramento de incêndios.
viii
ix
GOALS MANAGEMENT FOR A ONBOARD SYSTEM SATELLITE FIRE
AUTONOMOUS MONITORING
ABSTRACT
Seeking the introduction of greater autonomy in space to INPE this dissertation introduces the idea of a hypothetical mission of Hot Spots Autonomous Monitoring. This mission aims at an improvement in the images acquired and response time to end users regarding for the Fires Monitoring current conducted by the institution. This will require a high resolution camera and have autonomy to decide which hot spots in a particular region should be imaged. For this characteristic of autonomy in space can be used an architecture that enables such skill is required. Within the INPE already exists an architecture that introduces the autonomy and therefore it will be used in this research. This architecture is GOESA, however, GOESA has not implemented its module responsible for decision-making and therefore he had to be developed. With GOESA enabled to have that autonomy, it was possible to introduce you to the Hot Spots Autonomous Monitoring and perform tests enabling the existence of an autonomous mission for fire monitoring.
x
xi
LISTA DE FIGURAS
Pág.
Figura 2.1 - Operações Baseadas em Objetivos elevam o nível de controle da
intençãodo operador .................................................................................. 8
Figura 2.2 - GOESA e suas Interfaces ................................................................................ 9
Figura 2.3 - O processo de compilação de modelos para o ISIS ..................................... 12
Figura 3.1 - Detecção e observação a bordo de cada Satélite da órbita LEO ................ 28
Figura 3.2 - Incompatibilidade de Observação ............................................................... 28
Figura 4.1 - Monitoramento de Queimadas utilizando duas Câmeras em um mesmo
satélite ....................................................................................................... 32
Figura 4.2 – Imagem da Região do Mato Grosso obtida em 11 de julho de 2003 pelo
sensor MODIS do Satélite Terra. ............................................................... 33
Figura 4.3 - Ângulos das Câmeras ................................................................................... 35
Figura 5.1 – Etapas de Operação do SEMAI ................................................................... 39
Figura 5.2 – Co-relação entre a GOESA e o SEMAI ......................................................... 40
Figura 5.3 – Diagrama de Estados da CAR ...................................................................... 47
Figura 6.1 – Objetivos Recebidos Como Entrada Para o Priorizador de Focos de
Incêndios ................................................................................................... 60
Figura 6.2 - Exemplo de representação de uma área .................................................... 62
Figura 6.3 – Fluxo do Comportamento do Sistema, Situação A ..................................... 64
Figura 6.4 - Fluxo do Comportamento do Sistema, situação B ...................................... 65
Figura 6.5 - Grafo do Modelo ......................................................................................... 66
Figura 6.6 - Árvore do Modelo ....................................................................................... 67
Figura 6.7 - Representação de Como Seria uma HTN .................................................... 74
xii
Figura 6.8 – Fluxo do Algoritmo de Propagações de Restrições utilizado na solução do
Priorizador de Focos de Incêndios, situação A .......................................... 85
Figura 6.9 - Fluxo do Algoritmo de Propagações de Restrições utilizado na solução do
Priorizador de Focos de Incêndios, situação B .......................................... 86
Figura 7.1 - Arquitetura do Priorizador de Focos de Incêndios ...................................... 90
Figura 8.1 – Interface da GOESA para Configuração do Priorizador de Focos de
Incêndios ................................................................................................... 96
Figura 8.2 - Objetivos do Estudo de Caso 3 - Conflito nos Momentos Iniciais dos
Imageamentos ........................................................................................... 99
Figura 8.3 - Objetivos do Estudo de Caso 4 - Validando Objetivos .............................. 107
Figura 8.4 - Objetivos do Estudo de Caso 5 - Validação de Objetivos com Relação a
Período de Ocorrência ............................................................................ 114
xiii
LISTA DE TABELAS
Pág.
Tabela 5.1 – Tabela de Elemento: CAR ........................................................................... 45
Tabela 5.2 – Consumo de Energia Realizado pela CAR .................................................. 46
Tabela 5.3 – Tabela de Elemento: PSS ............................................................................ 46
Tabela 5.4 - Tabela de Operações identificadas para o Modelo M2AI .......................... 48
Tabela 5.5 - Objetivos do Estudo de Caso 1 - A CAR é Capaz de Atender todos os
Objetivos Recebidos .................................................................................. 52
Tabela 5.6 – Ações realizadas pela GOESA para atender o Caso de Estudo 1 - A CAR é
Capaz de Atender todos os Objetivos Recebidos...................................... 53
Tabela 5.7 - Objetivos do Estudo de Caso 2 – A CAR não Possui Tempo Suficiente para
se Movimentar e Alcançar todos os Objetivos Recebidos ........................ 57
Tabela 6.1 – Importância da Área .................................................................................. 62
Tabela 6.2 - Relações Entre Intervalos ........................................................................... 76
Tabela 6.3 - Relações da Álgebra de Allen...................................................................... 77
Tabela 6.4 - Transitividade das 13 Relações da Álgebra de Allen .................................. 78
Tabela 6.5 – Resumo das Técnicas Estudadas ................................................................ 80
Tabela 6.6 – Relações da Álgebra de Allen ..................................................................... 83
Tabela 8.1 – Objetivos do Estudo de Caso 3 - Conflito nos Momentos Iniciais dos
Imageamentos ......................................................................................... 100
Tabela 8.2 – Áreas de Prioridades para a Execução do Estudo de Caso 3 - Conflito nos
Momentos Iniciais dos Imageamentos ................................................... 101
Tabela 8.3 – Tabela de Classificação dos Objetivos feita pelo Priorizador de Focos de
Incêndios - Estudo de Caso 3 - Conflito nos Momentos Iniciais dos
Imageamentos ......................................................................................... 101
xiv
Tabela 8.4 – Tabela que mostra quais objetivos serão imageados para o - Estudo de
Caso 3 - Conflito nos Momentos Iniciais dos Imageamentos ................. 102
Tabela 8.5 - Ações realizadas pelo SEMAI para atender o Caso de Estudo 3 - Conflito
nos Momentos Iniciais dos Imageamentos ............................................. 103
Tabela 8.6 – Objetivos do Estudo de Caso 4 - Validando Objetivos ............................. 108
Tabela 8.7 – Tabela de Classificação dos Objetivos feita pelo Priorizador de Focos de
Incêndios - Validando Objetivos .............................................................. 109
Tabela 8.8 – Tabela que mostra quais objetivos serão imageados para o Estudo de Caso
4 - Validando Objetivos .......................................................................... 109
Tabela 8.9 - Ações realizadas pelo SEMAI para atender o Caso de Estudo 4 - Validando
Objetivos ................................................................................................. 110
Tabela 8.10 – Objetivos do Estudo de Caso 5 - Validação de Objetivos com Relação a
Período de Ocorrência ............................................................................ 115
Tabela 8.11 – Tabela de Classificação dos Objetivos feita pelo Priorizador de Focos de
Incêndios - Validação de Objetivos com Relação a Período de Ocorrência
................................................................................................................. 116
Tabela 8.12 – Tabela que mostra quais objetivos serão imageados para o Estudo de
Caso 5 - Validação de Objetivos com Relação a Período de Ocorrência 117
Tabela 8.13 - Ações realizadas pelo SEMAI para atender o Caso de Estudo 5 - Validação
de Objetivos com Relação a Período de Ocorrência ............................... 118
Tabela 9.1 – Tabela de Dependência do PFI com a Missão ......................................... 125
Tabela B.1.1 – Objetivos do Estudo de Caso A - Execução com Apenas um Foco de
Incêndio ................................................................................................... 169
Tabela B.1.2 - Ações realizadas pela GOESA para atender o Caso de Estudo A –
Execução com Apenas um Foco de Incêndio .......................................... 170
Tabela B.2.1 – Objetivos do Estudo de Caso B – Objetivos Inválidos........................... 172
xv
Tabela B.2.2 – Tabela de Classificação dos Objetivos feita pelo Priorizador de Focos de
Incêndios para o Estudo de Caso B – Objetivos Inválidos ....................... 173
Tabela B.2.3 – Tabela que mostra quais objetivos serão imageados para o Estudo de
Caso B – Objetivos Inválidos.................................................................... 173
Tabela B.2.4 - Ações realizadas pela GOESA para atender o Caso de Estudo B –
Objetivos Inválidos .................................................................................. 174
Tabela B.3.1 – Objetivos do Estudo de Caso C – Objetivos Inválidos com Relação ao
Tempo...................................................................................................... 176
Tabela B.3.2 – Tabela de Classificação dos Objetivos feita pelo Priorizador de Focos de
Incêndios para o Estudo de Caso C – Objetivos Inválidos com Relação ao
Tempo...................................................................................................... 177
Tabela B.3.3 – Tabela que mostra quais objetivos serão imageados para o Estudo de
Caso C – Objetivos Inválidos com Relação ao Tempo ............................. 177
Tabela B.3.4 - Ações realizadas pela GOESA para atender o Caso de Estudo C –
Objetivos Inválidos com Relação ao Tempo ........................................... 177
Tabela B.4.1 – Objetivos do Estudo de Caso D – Objetivos Conflitantes com Relação ao
Tempo...................................................................................................... 180
Tabela B.4.2 – Tabela de Classificação dos Objetivos feita pelo Priorizador de Focos de
Incêndios para o Estudo de Caso D – Objetivos Conflitantes com Relação
ao Tempo ................................................................................................. 180
Tabela B.4.3 – Tabela que mostra quais objetivos serão imageados para o Estudo de
Caso D – Objetivos Conflitantes com Relação ao Tempo ....................... 181
Tabela B.4.4 - Ações realizadas pela GOESA para atender o Caso de Estudo D –
Objetivos Conflitantes com Relação ao Tempo ...................................... 181
Tabela B.5.1 – Objetivos do Estudo de Caso E – Obejtivos Iguais ................................ 183
xvi
Tabela B.5.2 – Tabela de Classificação dos Objetivos feita pelo Priorizador de Focos de
Incêndios para o Estudo de Caso E – Obejtivos Iguais ........................... 184
Tabela B.5.3 – Tabela que mostra quais objetivos serão imageados para o Estudo de
Caso E – Obejtivos Iguais ........................................................................ 184
Tabela B.5.4 - Ações realizadas pela GOESA para atender o Caso de Estudo E –
Obejtivos Iguais ....................................................................................... 185
xvii
LISTA DE SIGLAS E ABREVIATURAS
AIRS Atmospheric Infrared Sounder
AMSR-E Advanced Microwave Scanning Radiometer-EOS
AMSU Advanced Microwave Sounding Unit
ASCAT Advanced SCATterometer
ASTER Advanced Spaceborne Thermal Emission and Reflection Radiometer
ATMS Advanced Technology Microwave Sounder
AVHRR Advanced Very High Resolution Radiometer
BIRD Bi-spectral Infra Red Detection
BIROS Berlin Infrared Optical System
CAR Câmera de Alta Resolução
CBERS China-Brazil Earth Resources Satellite
CERES Clouds and Earth's Radiant Energy System
CMR Câmera de Média Resolução
COMAV Computador Avançado
CrIS Cross-track Infrared Sounder
CSP Constraint Satisfaction Problems
DEA Divisão de Eletrônica Aeroespacial
DCIS Data Collection and Interrogation Service
DCP Data Collection Platforms
DDR Digital Data Recorder
DGI Divisão de Geração de Imagens
DLR Deutschen Zentrums für Luft- und Raumfahrt
DS-1 Deep Space One
DT Data Transmiter
EO-1 Earth Observing One
EPS Energetic Particles Sensor
ESA European Space Agency
EUMETSAT European Organisation for the Exploration of Meteorological Satellites
GBO Goal Based Operation
xviii
GEO Geoestacionário
GEOS&R Geostationary Search and Rescue
GOESA Goal-based Enabling Software Architecture
GOES-13 Geostationary Operational Environmental Satellite
GOME-2 Global Ozone Monitoring Experiment-2
GRAS Global Navigation Satellite System Receiver for Atmospheric Sounding
HEPAD High Energy Proton and Alpha Particles Detector
HIRS High Resolution Infrared Radiation Sounder
HSB Humidity Sounder for Brazil
HSRS Hot Spot Recognition System
HTN Hierarchical Task Network
IASI Infrared Atmospheric Sounding Interferometer
INPE Instituto Nacional de Pesquisas Espaciais
INSA Ingeniería y Servicios Aeroespaciales, S.A
ISIS Internal State Inference Service
ISRO Indian Space Research Organization
LEO Low Earth Orbit
M2AI Missão de Monitoramento Autônomo de Incêndio
MCC Mission Control Center
MIR Medium Infrared
MISR Multi-angle Imaging Spectroradiometer
MODIS Moderate Resolution Imaging Spectroradiometer
MOPITT Measurements of Pollution in the Troposphere
MSG-2 Meteosat Second Generation
NOAA National Oceanic and Atmospheric
NPP National Polar-orbiting Partnership
OMPS Ozone Mapping and Profiler Suite
PFI Priorizador de Focos de Incêndios
PMM Plataforma Multi-Missão
PSS Power Supply Subsystem
SARP Search and Rescue signal Processor
xix
SBU Solar Backscatter Ultraviolet Instrument
SEM Space Environment Monitor
SEMAI Sistema Embarcado de Monitoramento Autônomo de Incêndio
SIS SPARC Instruction Simulator
SUBORD Grupo de Supervisão de Bordo
SXI Solar X-ray Imager
TET-1 Technologie Eprobungs Träger
TIR Thermal Infrared
VIIRS Visible Infrared Imaging Radiometer Suite
VIS/NIR Visible e Near Infrared
VMR Variável mais restrita
XRS X-Ray Sensor
WETE Workshop em Engenharia e Tecnologia Espaciais
xx
xxi
SUMÁRIO
Pág.
1 INTRODUÇÃO .............................................................................................. 1
1.1. Motivações do Trabalho .............................................................................. 2
1.2. Objetivos do Trabalho ................................................................................. 2
1.3. Organização Desta Dissertação de Mestrado ............................................. 4
2 GOAL-BASED OPERATIONS ENABLING SOFTWARE ARCHITECTURE ........... 7
2.1. Principais Conceitos para se Compreender a GOESA ................................. 7
2.2. Operações Baseadas em Objetivos ............................................................. 7
2.3. A Arquitetura da GOESA ............................................................................ 10
2.3.1. Determinador de Objetivos ....................................................................... 10
2.3.2. Gerenciador de Objetivos ......................................................................... 11
2.3.3. Motor de Inferência de Estados ................................................................ 11
2.3.4. Internal State Inference Service ................................................................ 11
2.3.5. Modelo Embarcado ................................................................................... 11
2.3.6. Interface com o Software de Supervisão de Bordo .................................. 13
2.3.7. Planejador Embarcado .............................................................................. 13
3 MONITORAMENTO DE INCÊNDIOS ........................................................... 15
3.1. O Sistema de Monitoramento de Incêndios do INPE ............................... 15
3.1.1. Satélites que Fornecem Dados para o Monitoramento de Incêndios do
INPE ........................................................................................................... 17
3.1.1.1. Os satélites NOAA ..................................................................................... 17
3.1.1.2. O satélite TERRA ........................................................................................ 18
3.1.1.3. O satélite AQUA ......................................................................................... 18
xxii
3.1.1.4. O satélite GOES-13 .................................................................................... 19
3.1.1.5. O satélite MSG-2 ....................................................................................... 20
3.1.1.6. O satélite Suomi NPP ................................................................................. 20
3.1.1.7. O satélite MetOp ....................................................................................... 20
3.2. Satélites Dedicados ao Monitoramento de Incêndios .............................. 21
3.2.1. A Missão BIRD ........................................................................................... 21
3.2.2. Os Satélites TET-1 e BIROS da Missão Firebird ......................................... 23
3.2.3. A Constelação Fuego ................................................................................. 24
3.2.4. Uma Constelação de Satélites de Observação da Terra ........................... 26
4 A IDEIA DE UMA MISSÃO DE MONITORAMENTO AUTÔNOMO DE
INCÊNDIOS ................................................................................................. 31
4.1. Restrições, Assunções e Simplificações para o Problema ......................... 34
5 SISTEMA EMBARCADO DE MONITORAMENTO AUTÔNOMO DE INCÊNDIO
................................................................................................................... 37
5.1. Adoção da GOESA pelo SEMAI .................................................................. 39
5.2. O Modelo Embarcado ............................................................................... 41
5.2.1. A Definição do Domínio da Missão ........................................................... 41
5.2.1.1. Descrição estrutural .................................................................................. 42
5.2.1.2. Descrição comportamental ....................................................................... 46
5.3. Representação do Problema para o Processamento a Bordo .................. 51
5.4. Resultados do uso do Modelo Embarcado aplicado a GOESA sem o
Priorizador ................................................................................................. 51
5.4.1. Estudo de caso 1 – A CAR é Capaz de Atender Todos os Objetivos
Recebidos .................................................................................................. 52
xxiii
5.4.2. Estudo de caso 2 – A CAR não Possui Tempo Suficiente para se
Movimentar e Alcançar Todos os Objetivos Recebidos ............................ 56
6 A MODELAGEM DO PROBLEMA DO PRIORIZADOR DE FOCOS DE
INCÊNDIOS ................................................................................................. 59
6.1. Possíveis Técnicas para a Solução do Problema ....................................... 65
6.1.1. Técnicas de Solução de Problemas Baseada na Busca em Grafos ............ 65
6.1.1.1. Técnica de busca em profundidade .......................................................... 68
6.1.1.2. Técnica de busca em nível ......................................................................... 68
6.1.1.3. Heurísticas ................................................................................................. 69
6.1.1.4. Técnica de busca subindo morro .............................................................. 69
6.1.1.5. Técnica de busca menor custo .................................................................. 70
6.1.2. Problemas de Satisfação de Restrições ..................................................... 70
6.1.2.1. Busca com retrocesso para CSP ................................................................ 71
6.1.2.2. Técnica propagação de restrições para CSP .............................................. 72
6.1.2.3. Busca com retrocesso inteligente para CSP .............................................. 72
6.1.2.4. Busca local para CSP .................................................................................. 73
6.1.2.5. Rede de tarefas hierárquicas .................................................................... 73
6.1.2.6. Álgebra temporal de intervalos................................................................. 75
6.2. Modelagem do Problema do Priorizador de Focos de Incêndios Aplicando
algumas Técnicas que Atendem suas Necessidades ................................. 79
6.2.1. Modelagem do PFI Aplicando Propagação de Restrições ......................... 81
6.2.2. Modelagem do PFI Aplicando a Álgebra Temporal de Intervalos ............. 82
7 O PRIORIZADOR DE FOCOS DE INCÊNDIOS ............................................... 87
7.1. Descrição do Priorizador de Focos de Incêndio ........................................ 87
xxiv
7.2. Solução para o Priorizador de Focos de Incêndios ................................... 88
7.3. A Arquitetura do Priorizador de Focos de Incêndios ................................ 90
7.4. O Funcionamento do Priorizador de Focos de Incêndios ......................... 93
8 EXECUÇÃO E RESULTADOS DO USO DO MODELO EMBARCADO APLICADO
AO SEMAI COM O PRIORIZADOR DE FOCOS DE INCÊNDIOS ..................... 95
8.1. Recursos Utilizados ................................................................................... 95
8.2. Configurações para Execução da GOESA no Simulador ............................ 96
8.3. Estudos de Caso......................................................................................... 98
8.3.1. Estudo de Caso 3 – Conflito nos Momentos Iniciais dos Imageamentos . 98
8.3.2. Estudo de Caso 4 – Validando Objetivos ................................................. 107
8.3.3. Estudo de Caso 5 – Validação de Objetivos com Relação a Período de
Ocorrência ............................................................................................... 113
9 CONCLUSÃO ............................................................................................ 123
9.1. Contribuições da Pesquisa ...................................................................... 123
9.2. Status do desenvolvimento do gerenciador de objetivos ...................... 124
9.3. Trabalhos Futuros .................................................................................... 125
9.4. Trabalho Publicado .................................................................................. 126
REFERÊNCIAS BIBLIOGRÁFICAS..................................................................................... 129
APÊNDICE A - MODELO EMBARCADO PARA A M2AI ................................................... 135
A.1 Descrição Estrutural ............................................................................................... 135
A.2 Descrição Comportamental ................................................................................... 139
A.2.1 Descrição Comportamental da Câmera .............................................................. 139
A.2.2 Descrição Comportamental dos Events .............................................................. 144
A.2.3 Descrição Comportamental do PSS ..................................................................... 145
xxv
A.3 Modelo Embarcado para a M2AI ........................................................................... 147
APÊNDICE B – OUTROS CASOS DE ESTUDOS ................................................................ 169
B.1 Estudo de Caso A – Execução com Apenas um Foco de Incêndio ......................... 169
B.2 Estudo de Caso B – Objetivos Inválidos .................................................................. 172
B.3 Estudo de Caso C – Objetivos Inválidos com Relação ao Tempo ........................... 176
B.4 Estudo de Caso D – Objetivos Conflitantes com Relação ao Tempo ..................... 179
B.5 Estudo de Caso E – Objetivos Iguais ....................................................................... 183
xxvi
1
1 INTRODUÇÃO
O monitoramento de focos de queimadas e incêndios é um dos diversos
serviços prestados pelo Instituto Nacional de Pesquisas Espaciais (INPE) à
sociedade brasileira.
A instituição utiliza atualmente dados de dez satélites internacionais de
meteorologia e sensoriamento remoto (SCHROEDER et al., 2009), para a
identificação dos focos de incêndios. Como esses satélites não são
especializados para tal função, seus dados devem ser processados em solo
para que possam ser úteis.
Como a análise dos dados para a identificação dos incêndios é feita somente
depois de recebidos e processados em solo, leva-se um tempo para a
disponibilização dos mesmos para os usuários finais (porém, considera-se a
disponibilização quase em tempo real). E, além disso, cabe ressaltar que as
imagens obtidas são de média resolução. Mas, apesar desse tempo que leva
até chegar ao usuário final e da qualidade das imagens, o objetivo de
monitoramento de queimadas é atendido adequadamente pela equipe do INPE.
Caso essas imagens possuam uma resolução melhor, será possível uma
análise mais detalhada da situação e da propagação das chamas e, quanto
antes a imagem for disponibilizada pela equipe, menor será o tempo de
resposta dos usuários finais desses dados para conter os incêndios.
Existem satélites que são especializados em monitoramento de incêndios, mas,
até o momento atual, seus dados não são disponibilizados para o INPE –
embora exista a possibilidade de isso ocorrer num futuro próximo (INPE, 2015).
Os dados de tal tipo de satélites são mais adequados para o monitoramento de
incêndios por serem voltados a essa tarefa, mas, ainda sim, depois de
recebidos, eles devem ser processados por uma equipe em solo para que
sejam úteis ao usuário final.
2
O presente trabalho de pesquisa propõe uma missão hipotética para o INPE,
com base em missões existentes de monitoramento de queimadas e incêndios,
visando a melhoria no tempo de resposta e o fornecimento de dados mais
detalhados para a resposta aos incêndios.
Na ideia de missão aqui proposta, o satélite teria como principais
características uma câmera térmica de alta resolução e alguma inteligência
para tomar decisões a bordo sobre como direcionar tal câmera para o
imageamento dos focos mais importantes, identificados pelo próprio satélite.
1.1. Motivações do Trabalho
A principal motivação deste trabalho de pesquisa é a exploração de possíveis
melhorias no tempo de resposta e qualidade das informações providas pelo
serviço de monitoramento de incêndios do INPE, tendo como base o aumento
da autonomia do segmento espacial.
Para tal fim, pode-se utilizar uma arquitetura voltada ao aumento da autonomia
em satélites e Kucinskis (KUCINSKIS; FERREIRA, 2013) desenvolveu para o
INPE uma arquitetura de software embarcado que tem por característica o
aumento dessa autonomia, a Goal-based Enabling Software Architecture
(GOESA).
Essa arquitetura será utilizada nesta pesquisa para habilitar o satélite a tomar
decisões autonomamente, porém para isso é necessário adaptá-la ao contexto
de uma missão de monitoramento de incêndios.
1.2. Objetivos do Trabalho
O objetivo principal dessa pesquisa seria o desenvolvimento de um
Gerenciador de Objetivos para uma ideia de missão hipotética de
Monitoramento Autônomo de Incêndios para o INPE.
3
Para atender a este objetivo deve-se incialmente criar uma ideia de uma
missão de Monitoramento Autônomo de Incêndios e que atenda as
necessidades do INPE. Para justificar a criação desta ideia, essa missão
deverá disponibilizar imagens mais detalhadas do que as disponibilizadas
atualmente e fornece-las de forma mais rápida para os usuários finais.
Além disso esse Gerenciador de Objetivos é um módulo de uma arquitetura
que possibilita a introdução de autonomia no espaço, essa arquitetura é a
GOESA. Então deverá ser feito um modelo dessa missão para tal arquitetura.
Para justificar a necessidade deste modulo de gerenciamento de objetivos são
realizados testes com o modelo da missão já embarcado na GOESA sem o
Gerenciador de Objetivos e verificado seu comportamento.
Como os testes irão nos mostrar, a GOESA não consegue resolver este
problema sem o Gerenciador de Objetivos, assim, este módulo deve ser
desenvolvido. Para isso busca-se definir os dados que o Gerenciador de
Objetivos deverá manipular, definir seu comportamento diante de situações de
conflitos entre os objetivos e escolher uma técnica de solução adequada para
cada problema identificado.
Esse Gerenciador de Objetivos deverá priorizar os focos de incêndios
detectados utilizando, para isso, critérios previamente estabelecidos (por
exemplo, pedidos de alertas cadastrados pelos usuários do site de
monitoramento de queimadas do INPE) com a finalidade de resolver potenciais
conflitos entre eles.
É importante ressaltar que todo o software é desenvolvido para execução em
um computador de bordo de satélites, respeitando assim as restrições de
capacidade computacional desta classe de computadores.
4
1.3. Organização Desta Dissertação de Mestrado
A presente dissertação de mestrado está estruturada conforme descrito a
seguir.
O Capítulo 2 apresenta uma breve descrição de Operações Baseadas em
Objetivos e da arquitetura da GOESA.
O Capítulo 3 apresenta uma descrição do monitoramento de incêndios
realizado atualmente pelo INPE, uma breve descrição dos satélites que
fornecem dados para o instituto e uma revisão sobre alguns satélites voltados
especificamente para esse fim, mas que não fornecem dados para o INPE.
No Capítulo 4 encontra-se a descrição da missão a ser utilizada para o
desenvolvimento do trabalho, suas restrições, assunções e simplificações.
O Capítulo 5 disserta sobre o Sistema Embarcado de Monitoramento
Autônomo de Incêndio (SEMAI), a adoção da GOESA para a missão em
questão, o modelo embarcado desta missão, a forma de representação do
problema, a aplicação desse modelo embarcado com a GOESA e os
resultados dessa aplicação.
No Capítulo 6 faz-se um detalhamento, de forma descritiva, do modelo do
Priorizador de Focos de Incêndios (PFI) do Sistema Embarcado de
Monitoramento Autônomo de Incêndio (SEMAI). Disserta-se sobre as possíveis
técnicas para solucionar este problema.
No Capítulo 7 descreve-se o Priorizador de Focos de Incêndios, será explicada
a relação deste com a GOESA. Faz-se a escolha da melhor técnica para a
solução do PFI. E detalha-se a arquitetura do Priorizador de Focos de
Incêndios e seu funcionamento.
5
No Capítulo 8, são descritos brevemente os recursos utilizados para o
desenvolvimento da pesquisa e são apresentados os resultados da aplicação
do Priorizador de Focos de Incêndios com a GOESA.
O Capítulo 9 encerra a dissertação trazendo as principais contribuições, o
status do Priorizador de Focos de Incêndios e a proposta para alguns
trabalhos futuros.
6
7
2 GOAL-BASED OPERATIONS ENABLING SOFTWARE ARCHITECTURE
Antes de começar a trabalhar na pesquisa em questão é importante conhecer a
GOESA, pois o Gerenciador de Objetivos, necesssário para atribuir autonomia
para a missão, será desenvolvido para tal arquitetura. A apresentação da
GOESA neste ponto facilita o entendimento da missão.
2.1. Principais Conceitos para se Compreender a GOESA
Neste capítulo serão descritos os principais conceitos utilizados no decorrer
dessa dissertação.
Objetivo, dentro do contexto das Operações Baseadas em Objetivos (GBO do
inglês Goal Based Operations), significa a intenção operacional, em outras
palavras, significa o que se deseja realizar.
Operação Baseada em Objetivos (GBO) é um sistema que trabalha com
intenções, o qual tem capacidade de verificar se essas intenções podem ser
alcançadas e que pode alcançar uma intenção de várias formas (DVORAK et
al., 2007).
Variável representa um componente físico do sistema.
Estado de uma variável é o estado físico do sistema, ou seja, a situação física
em que o sistema se encontra.
Linha do tempo de uma variável (do inglês timeline) é a unidade básica do
modelo. Representa a evolução dos estados de uma variável no tempo.
2.2. Operações Baseadas em Objetivos
A GBO é importante em situações nas quais é esperada uma reação imediata
do satélite devido a eventos ou situações inesperados. Uma reação do satélite
pede uma reação imediata do operador, mas esta não é possível devido ao
delay ocasionado durante a troca de mensagens entre o satélite e o operador e
8
devido a momentos em que o satélite perde o contado com a Terra. Para
resolver essa situação a GBO prevê a capacidade de tomar algumas ações
imediatas independente do operador.
Para isso é introduzido no satélite baseado em GBO a capacidade de tomar
atitudes, independente dos operadores do solo, em outras palavras, o satélite
passa a ter certa autonomia a bordo.
Outra característica da GBO é que o satélite passa a receber dos operadores
de solo objetivos a cumprir e não sequências de comandos como acontecia
antes da GBO. Ao receber esses objetivos o satélite deve ser capaz de
transformá-los em comandos para atendê-los (Figura 2.1).
Figura 2.1 - Operações Baseadas em Objetivos elevam o nível de controle da intençãodo operador
Fonte: Dvorak et al (2007)
Os objetivos representam a intenção e devem ter uma semântica clara para o
computador. Essa semântica também deve ser natural para o domínio do
problema e ter significados óbvios para os engenheiros de sistema e para os
operadores (DVORAK et al, 2008).
A GOESA habilita o paradigma de missões espaciais baseadas em objetivos
para o INPE, e, além disso, tem como propósito ser de uso geral, executável
em hardware qualificado espacialmente e integrável ao software de voo.
9
Ela é capaz de trabalhar com múltiplos objetivos de uma só vez. Quando
receber vários objetivos, tanto vindos do solo quanto de bordo, a arquitetura
deve obter informações do software de supervisão de bordo e realizar
inferência de estados futuros do satélite baseada em um único modelo. Em
seguida é gerado ou alterado o plano e, assim, o objetivo é atendido. Esse
plano dever ser enviado para o software de supervisão de bordo (Figura 2.2).
Figura 2.2 - GOESA e suas Interfaces
Fonte: adaptado de Kucinskis (2012)
Além da existência da arquitetura GOESA para o INPE já existem alguns
exemplos de missões espaciais com capacidade similar de tomar decisões a
bordo. A primeira delas foi a sonda Deep Space One (DS-1) da NASA que, em
1999, teve tarefas como o controle de atitude, comunicação, propulsão,
10
observações e navegação planejadas a bordo a partir da recepção de objetivos
de alto nível recebidos de solo (BERNARD et al., 1999).
Outra seria o satélite de sensoriamento remoto Earth Observing One (EO-1),
também da NASA, que vem, desde 2005, executando o replanejamento de
operações a bordo a partir da análise, também embarcada, das imagens
adquiridas e da identificação nelas de objetivos de observação, como erupções
vulcânicas, por exemplo (CHIEN et al., 2010).
Os rovers Spirit e Opportunity foram, em 2006, dotados da capacidade de
identificar a ocorrência de ‘dust devils’ (redemoinhos pequenos e de curta
duração) próximos, adquirir imediatamente imagens dos mesmos e modificar
de forma semi-autônoma as prioridades no envio de dados para a Terra
(CASTANO et al., 2006).
Mais recentemente, em dezembro de 2009, o rover Opportunity recebeu novo
software, que o habilita a detectar rochas que apresentem propriedades de
interesse científico, durante travessias realizadas entre um ponto e outro da
superfície marciana. Em caso de detecção, o rover pode deter-se, obter
imagens da rocha, e seguir seu caminho, retomando o plano de operações
original (JET PROPULSION LABORATORY, 2009).
2.3. A Arquitetura da GOESA
Os itens a seguir são baseados na tese de Kucinskis (2012) e tem como
objetivo descrever os elementos principais da arquitetura GOESA.
2.3.1. Determinador de Objetivos
Os objetivos que a arquitetura recebe são provenientes tanto do segmento solo
quanto do próprio segmento espacial (operação autônoma). Para os objetivos
vindos do segmento espacial é necessária a existência de um determinador
embarcado de objetivo que é responsável por detectar os eventos a serem
11
respondidos e definir os objetivos em função destes eventos. Esse
determinador embarcado depende da missão e suas cargas úteis.
2.3.2. Gerenciador de Objetivos
O gerenciador de objetivos recebe os objetivos, verifica se são consistentes, se
são operacionalmente factíveis, e se eles entram em conflito uns com os
outros.
2.3.3. Motor de Inferência de Estados
Motor de Inferência de Estados é o responsável por fazer a inferência de
estados para o Planejador Embarcado em função do Modelo de Domínio e da
Tabela de Previsão da Ocorrência de Eventos. O Modelo de Domínio, ou
Modelo Embarcado, contém o domínio da operação.
2.3.4. Internal State Inference Service
O Internal State Inference Service (ISIS) é formado pelo modelo embarcado,
motor de inferência de estados e interface com o software de supervisão de
bordo. Assim sendo, o ISIS é considerado o núcleo da GOESA. Esse
componente visa o reuso da arquitetura em diferentes missões.
No ISIS também é encontrada a tabela de predição de ocorrência de eventos
necessária para prover ao motor de inferência informações sobre o
comportamento do satélite que não se encontram no software de supervisão de
bordo. Essa inferência é feita por um planejador, que será detalhado ainda
neste capítulo.
2.3.5. Modelo Embarcado
O modelo de domínio da GOESA é um modelo único e é embarcado. Este
modelo contém as informações da composição do domínio, do comportamento
dos seus elementos, dados que estabelecem relação entre os itens e seus
respectivos modelos no software de supervisão de bordo.
12
Esse modelo é mantido pelo ISIS e é composto por duas descrições: uma
estrutural e a outra comportamental.
Na descrição estrutural encontram-se os dois elementos relevantes de uma
dada missão, que são as linhas de tempo (evolução dos valores dos estados
no tempo) e os recursos (componentes consumíveis a serem modelados). Na
descrição comportamental encontram-se as operações que mudam o estado
das linhas de tempo (também chamadas timelines) e recursos e quais seus
efeitos sobre elas.
As descrições são unidas e através de um analisador são transformadas em
código fonte C++ que depois será compilado e linkado com uma biblioteca de
funções da ISIS para se tornar o modelo embarcado (KUCINSKIS, 2012a). A
figura a seguir (Figura 2.3) ilustra esse processo.
Figura 2.3 - O processo de compilação de modelos para o ISIS
Fonte: Kucinskis (2012)
Como a GOESA possui a característica de ser uma arquitetura reutilizável ela
se torna independente de seu modelo, o que o faz ser substituível e atualizável
durante o voo.
13
2.3.6. Interface com o Software de Supervisão de Bordo
O software de supervisão de bordo, através de uma interface com o modelo de
domínio, utiliza as informações deste para correlacionar os elementos do
mundo real com seus modelos. Esse procedimento é necessário para que a
inferência de estados possa ser realizada a bordo.
2.3.7. Planejador Embarcado
O planejador é responsável por encontrar a sequência de comandos para
chegar ao objetivo. Esse planejador já leva em consideração o tempo e por
isso, além do planejamento da sequência, ele já faz o escalonamento desses
comandos.
A arquitetura GOESA permite que qualquer algoritmo possa ser utilizado para
realizar essa tarefa, desde que seja adequado a execução em hardware de voo
e adaptado a interface do ISIS.
14
15
3 MONITORAMENTO DE INCÊNDIOS
Como um dos objetivos dessa pesquisa visa buscar uma nova visão para o
monitoramento de queimadas do INPE, é necessário que se crie uma ideia de
uma missão hipotética para atender esse objetivo. Para isso é imprescindível
conhecer como essa tarefa é realizada pela entidade e em outros países.
Este capítulo descreve a forma como é realizado o monitoramento de incêndios
no INPE e algumas outras missões, que não atendem a instituição, mas que
são específicas para tal atividade. Esse estudo é importante para auxiliar na
definição da ideia de uma missão hipotética, de forma a atender as
necessidades do instituto trazendo características utilizadas especificamente
para o monitoramento de incêndios.
3.1. O Sistema de Monitoramento de Incêndios do INPE
O monitoramento de incêndios no INPE é realizado desde 1987, esse
monitoramento abrange não somente o Brasil, mas também outros países da
América do Sul, América Central, África, (GRANEMANN; CARNEIRO, 2009) e
Europa. Mas a região conhecida como Amazônia Legal é a maior beneficiária
de tal serviço.
Composta por nove estados brasileiros das regiões norte, nordeste e centro-
oeste, a Amazônia Legal equivale a mais de 60% do território nacional, tendo
ainda a maior biodiversidade do mundo. Essa região sofre com incêndios, em
especial durante a chamada ‘temporada de queimadas’1, que cobre o período
entre os meses de julho a setembro.
O INPE utiliza atualmente dados de dez satélites internacionais de
meteorologia e sensoriamento remoto, disponibilizados para uso da instituição
1 O termo ‘queimadas’ se refere a incêndios autorizados que seguem regras, enquanto o termo ‘incêndios’
indica quando o fogo fica sem controle. Nesse trabalho, será utilizado o termo ‘incêndio’.
16
(SCHROEDER et al., 2009), para a identificação dos focos de incêndios. Como
esses satélites não são especializados para tal função, seus dados devem ser
processados em solo para que possam ser úteis.
Dentro do INPE, a unidade responsável pelo recebimento e processamento
inicial dos dados desses satélites é a Divisão de Geração de Imagens (DGI).
Após o recebimento, a DGI encaminha as imagens para o grupo responsável
pelo processamento dessas imagens que irá analisá-las com o objetivo de
identificar os focos de incêndios.
Em seguida, esses dados, já com os focos de incêndios identificados, são
disponibilizados no site de Monitoramento de Queimadas e Incêndios (INPE,
2014) para que usuários possam consultá-los.
Entre os usuários estão entidades governamentais e parques nacionais, que
podem, inclusive, se cadastrar para receberem alertas por e-mail quando
ocorrer a identificação de focos em regiões específicas.
Recebendo os alertas, os usuários podem tomar decisões sobre como melhor
responder ao incêndio, enviando, por exemplo, brigadas de incêndio aos locais
dos focos.
Através do processamento das imagens obtidas por esses satélites, o sistema
do INPE gera cerca de cem imagens com dados sobre queimadas por dia
(INPE, 2014). Essas recepções são feitas nas estações de recepção, através
de antenas, que se encontram em Cachoeira Paulista, SP, em Cuiabá, MT e
em Natal, RN.
Essas antenas se alinham com os satélites e recebem as informações que
serão enviadas para computadores, onde serão analisadas por profissionais da
área de queimadas para identificar focos de incêndios. Em seguida, tais
informações contendo a identificação dos focos de incêndios são armazenadas
em outros computadores para que possam ser acessadas por usuários que
17
tomam decisões sobre o que fazer com relação aos incêndios. Para a maioria
dos usuários esses dados são enviados via e-mail ou conforme suas
necessidades.
O INPE (INPE, 2014) descreve: “a identificação dos focos é auxiliada pelo
sensoriamento remoto, uma vez que ao constatá-los nas imagens, é possível
antecipar decisões para impedir o alastramento do incêndio”.
O tópico a seguir faz uma breve descrição dos satélites mais importantes que
fornecem dados para o INPE, visando mostrar quais são os instrumentos
utilizados por esses satélites para fornecer tais dados. E, em seguida, serão
descritas algumas missões importantes de monitoramento de queimadas,
porém essas não fornecem dados atualmente para o INPE.
3.1.1. Satélites que Fornecem Dados para o Monitoramento de Incêndios
do INPE
3.1.1.1. Os satélites NOAA
O INPE utiliza dados dos satélites americanos National Oceanic and
Atmospheric Administration (NOAA-15, NOAA-16, NOAA-18 e NOAA-19)
(INPE, 2014). Estes são satélites meteorológicos e de órbita polar, localizados
a uma distância entre 833 e 870 km da Terra (NATIONAL SPACE SCIENCE
DATA CENTER, 2014).
O objetivo primário desses satélites é monitorar nuvens e medir a emissão
térmica da Terra. Porém, eles têm sido utilizados para muitos outros fins, como
por exemplo, para o monitoramento de incêndios pelo INPE.
O NOAA 15 hospeda os instrumentos Advanced Microwave Sounding Unit
(AMSU-A e AMSU-B), o Advanced Very High Resolution Radiometer (AVHRR)
e o High Resolution Infrared Radiation Sounder/3 (HIRS/3), bem como um
Monitor de Ambiente Espacial (SEM/2, do inglês Space Environment Monitor)
(GRAYZECK, 2014a).
18
O NOAA 16 abriga o mesmo conjunto de instrumentos do NOAA-15 mais o
Solar Backscatter Ultraviolet Instrument/2 (SBUV/2) (GRAYZECK, 2014b).
O NOAA 18 hospeda o AMSU-A, MHS, AVHRR, HIRS, a SBUV/2 e outros
(GRAYZECK, 2014c).
O NOAA-19 abriga os instrumentos AVHRR/3, o HIRS/4, o AMSU-A entre
outros (GRAYZECK, 2014d).
3.1.1.2. O satélite TERRA
Esse satélite desenvolvido pela NASA é responsável por captar informações
climáticas da Terra. No INPE, esses dados, depois de processados, fornecem
informações para o monitoramento de incêndios. Essas informações são
obtidas pelo satélite através de cinco sensores. Esses sensores são
(JENNER;DUNBAR, 2013):
a) ASTER, ou Advanced Spaceborne Thermal Emission and Reflection
Radiometer;
b) CERES, ou Clouds and Earth's Radiant Energy System;
c) MISR, ou Multi-angle Imaging Spectroradiometer;
d) MODIS, ou Moderate-resolution Imaging Spectroradiometer;
e) MOPITT, ou Measurements of Pollution in the Troposphere.
3.1.1.3. O satélite AQUA
O satélite AQUA desenvolvido pela NASA é responsável pelo estudo de
precipitações, evaporações e ciclos da água. Porém, para o INPE, através do
processamento das informações adquiridas pelo AQUA, é possível realizar o
monitoramento de incêndios. Essas informações são obtidas por seis sensores
localizados no satélite, esses sensores são (GRAHAM, 2014):
19
a) AMSR-E , ou Advanced Microwave Scanning Radiometer-EOS;
b) MODIS, ou Moderate Resolution Imaging Spectroradiometer;
c) AMSU, ou Advanced Microwave Sounding Unit;
d) AIRS, ou Atmospheric Infrared Sounder;
e) HSB, ou Humidity Sounder Brazil (equipamento que mede a umidade
atmosférica e foi fornecido pelo INPE);
f) CERES, ou Clounds and the Earth’s Radiant Energy System.
3.1.1.4. O satélite GOES-13
O satélite Geostationary Operational Environmental Satellite -13 (GOES -13),
ou como também é chamado GOES-N, é um satélite geoestacionário
americano desenvolvido pela NASA. Ele é utilizado para fazer o monitoramento
do tempo e operações de previsão (JENNER, 2012). No INPE, seus dados são
processados e utilizados para o monitoramento de incêndios. Seus dados são
obtidos pelos seguintes instrumentos (WORLD METEOROLOGICAL
ORGANIZATION, 2014):
a) GSR, ou Geostationary Search and Rescue;
b) SEM/MAG, ou SEM / Magnetometer;
c) SOUNDER, ou GOES Sounder;
d) SXI, ou Solar X-ray Imager;
e) SEM/EPS, ou SEM / Energetic Particles Sensor;
f) SEM/HEPAD, ou SEM / High Energy Proton and Alpha Particles
Detector;
g) SEM/XRS, ou SEM / X-Ray Sensor;
20
h) DCIS, ou Data Collection and Interrogation Service;
i) IMAGER, ou GOES Imager.
3.1.1.5. O satélite MSG-2
O Meteosat Second Generation, ou MSG-2, é um satélite geoestacionário
meteorológico que faz a previsão do tempo para o reconhecimento rápido e
previsão de fenômenos climáticos perigosos, tais como tempestades, nevoeiro
e desenvolvimento explosivo das depressões pequenas, mas intensos que
podem levar a devastadoras tempestades de vento (EUROPEAN SPACE
AGENCY, 2000). No INPE, essas informações são processadas e utilizadas
para monitoramento de incêndios.
3.1.1.6. O satélite Suomi NPP
O Satélite Suomi National Polar-orbiting Partnership, ou Suomi NPP, é um
satélite americano meteorológico de orbita polar. Esse satélite utiliza o
Advanced Technology Microwave Sounder (ATMS), que é um radiômetro de
micro-ondas que ajuda a criar modelos da umidade global e de temperatura.
Seus dados são processados no INPE e ajudam a fazer o monitoramento de
incêndios. Além do ATMS, ele possui mais outros quatro instrumentos que são
(EUROPEAN SPACE AGENCY, 2000):
a) CrIS , ou Cross-track Infrared Sounder;
b) OMPS, ou Ozone Mapping and Profiler Suite;
c) VIIRS, ou Visible Infrared Imaging Radiometer Suite;
d) CERES.
3.1.1.7. O satélite MetOp
MetOp são três satélites meteorológicos de órbita polar desenvolvidos pela
European Space Agency (ESA) and European Organisation for the Exploration
21
of Meteorological Satellites (EUMETSAT). Seus dados são obtidos por onze
instrumentos. A seguir tem-se uma lista dos instrumentos principais
(EUROPEAN SPACE AGENCY, 2012b):
a) IASI, ou Infrared Atmospheric Sounding Interferometer;
b) GRAS, ou Global Navigation Satellite System Receiver for
Atmospheric Sounding;
c) ASCAT, ou Advanced SCATterometer;
d) GOME-2, ou Global Ozone Monitoring Experiment-2.
3.2. Satélites Dedicados ao Monitoramento de Incêndios
Existem missões cujo principal objetivo é o monitoramento de eventos térmicos
como incêndios, queimadas e erupções vulcânicas. Dessas missões, três
merecem destaque com relação ao cenário de monitoramento de queimadas
atual, sendo elas a BIRD (Bi-spectral Infra Red Detection), a Firebird, a Fuego
e a Constelação de Satélites de Observação da Terra.
Importante ressaltar que nenhuma dessas missões fornece dados para o
monitoramento de incêndios realizado pelo INPE.
Os próximos subitens descrevem tais missões que merecem um destaque
maior por constituirem a base principal do modelo da missão hipotética
utilizada para esta pesquisa.
3.2.1. A Missão BIRD
A missão do BIRD pertence a DLR (Deutschen Zentrums für Luft- und
Raumfahrt) e tem como objetivo a observação da Terra.
O satélite foi lançado pelo foguete indiano PSLV-C3 em 22 de outubro de 2001
em uma órbita baixa circular de 572 km (Sun-synchronous Low Earth Orbit)
(BRIEB et al., 2001). Este satélite possui como sua principal carga útil um
22
sensor bi-spectral infravermelho que faz o reconhecimento e analisa eventos
de alta temperatura como é o caso dos incêndios florestais, incêndios em
jazidas de carvão e atividades vulcânicas.
Os sensores espaciais existentes, antes da BIRD, eram bastante limitados com
relação ao reconhecimento de alguns fenômenos. A missão BIRD tem a
responsabilidade de demonstrar novas tecnologias a essa área de
reconhecimento e caracterização de eventos de altas temperaturas na
superfície da Terra (BRIEB et al., 2001).
A missão do BIRD possui os seguintes objetivos (BRIEB et al., 2001):
a) Testar uma nova geração de sensores infravermelhos adequada para
o sensoriamento da Terra com uma faixa radiométrica adaptativa;
b) Detectar e investigar os eventos de alta temperatura;
c) Teste de pequenas tecnologias para satélites como controle de atitude
contendo um sensor de estrelas e atuadores.
O sensoriamento remoto tem a tendência de aumentar a quantidade de bandas
de resolução geométrica de seus sensores causando uma elevação na taxa de
transferência de dados e, também, no volume de dados. Porém, para os
usuários apenas alguns desses dados são realmente úteis. Para resolver essa
questão, o BIRD incluiu um experimento que faz um pré-processamento dos
dados que poderiam ser úteis aos usuários (SILVA;LUCENA, 2005).
Essa tecnologia no BIRD tem como objetivos principais detectar incêndios e
pontos quentes. Com o pré-processamento dos dados são enviados menos
dados para o solo e isso reduz o ‘downlink’ do fluxo de dados. Outra vantagem
é que o usuário passa a receber os dados de forma mais rápida.
Para esse processo de classificação o BIRD utiliza uma espécie de mapa
contendo as informações de cada região em que o satélite deverá analisar.
23
Esse mapa é confrontado com as imagens obtidas do local e de acordo com
uma classificação pré-definida serão encontradas as imagens úteis para o
usuário. Para fazer essa classificação utiliza-se um hardware de
processamento de redes neurais o denominado NI1000 (Recognition
Accelerator da Nestor Inc).
3.2.2. Os Satélites TET-1 e BIROS da Missão Firebird
A Firebird é uma missão do DLR voltada para a observação da Terra. Essa
missão continuará o monitoramento do foco de incêndio inicializado pelo BIRD,
usando dois pequenos satélites que se encontram a 500 km da Terra: o
Technologie Eprobungs Träger-1 (TET-1), lançado junho de 2012 e o BIROS
(Berlin Infrared Optical System), cujo lançamento está previsto para 2015 no
veículo espacial PSLV da Indian Space Research Organization (ISRO)
fornecido pela Antrix Corporation (KRAMER, 2014).
Quando os dados do BIRD deixaram de ser úteis, devido a uma falha em um
de seus componentes, o DLR decidiu iniciar um novo satélite o TET-1, que é
utilizado para validações de novas tecnologias (REILE et al., 2013).
O TET- 1 é equipado com diferentes cargas úteis para fins de verificação em
órbita e, também, com o BIRD como instrumentação de infravermelhos.
O instrumento BIRD, que está a bordo do Firebird, é um sistema construído
com partes do satélite BIRD para o reconhecimento de pontos quentes, o Hot
Spot Recognition System (HSRS). Ele tem como principal objetivo continuar o
trabalho de observação do BIRD na Terra.
A Firebird se diferencia da BIRD por possuir processamento de dados de
queimadas a bordo e por utilizar um segundo satélite formando uma
constelação. Este segundo satélite é o BIROS que se baseia no satélite TET-1
e é equipado com uma carga quase idêntica e ele.
24
Essa missão possui outros objetivos secundários ao monitoramento de
incêndio. A seguir tem-se uma lista de alguns deles (REILE et al., 2013):
a) autonomia sobre planejamento de missão a bordo;
b) comunicação óptica bi direcional entre satélite e as estações
terrestres;
c) operações de navegação óptica e de proximidade;
d) agilidade nas manobras de atitude do satélite.
Cabe ressaltar que a análise dos resultados dessa missão será feita através de
uma comparação com os dados da BIRD, tendo como critério de sucesso o
fato de que esses devem ser melhores em qualidade e quantidade que a
missão anterior.
3.2.3. A Constelação Fuego
FUEGO é uma missão proposta pela Ingeniería y Servicios Aeroespaciales,
S.A (INSA), que consiste de uma constelação de doze satélites pequenos para
detectar e monitorar queimadas em florestas. O objetivo da FUEGO é
identificar focos de incêndio desde o início, prever riscos de incêndio e evitar
falsos alarmes de incêndio.
A FUEGO se encontra em órbita Low Earth Orbit (LEO) a 700 km de altitude da
Terra e 47,5º de inclinação (CORRADI et al., 2001). A carga útil é equipada de
uma câmera Medium Infrared (MIR), para detectar incêndios florestais,
assistida pelas câmeras Visible e Near Infrared (VIS/NIR) e Thermal Infrared
(TIR) para melhorar a resolução do monitoramento e rejeitar os falsos alarmes
(ESCORIAL et al 2003).
Os principais requisitos dos usuários atendidos pela FUEGO são, segundo
Escorial (ESCORIAL et al 2003):
25
a) obtenção, processamento e o envio dos dados em tempo quase real;
b) cobertura de 100% da área de risco de forma contínua no tempo;
c) detecção de focos de tempo inferior a 15 minutos em média, com uma
nova visita tempo na ordem de 25 minutos.
d) tamanho mínimo de detecção de incêndio variando de 20 a 220 m²,
com geração de alarme automático e classificação de intensidade do
foco;
e) localização geográfica dos locais de incêndio dentro do intervalo de
300-500 metros;
f) probabilidade de alarme falso de no máximo 5% dos casos. Alarmes
falsos são, por exemplo, reflexos do sol e superfícies quentes que
possam induzir ao erro.
Ainda segundo Escorial (ESCORIAL et al 2003), além desses requisitos o
usuário pode solicitar que uma determinada área seja monitorada de acordo
com seu interesse. A missão também oferece informações sobre possíveis
potenciais inícios de incêndios e outros estudos da Terra (aplicações como
vulcanologia, eventos quentes, meteorologia, silvicultura, etc).
Para a detecção e aquisição de dados é utilizada a técnica que utiliza um
espelho orientável para a as áreas de interesse. Ele realiza manobras que
possibilitam a observação de mais de um ponto em uma única passagem do
satélite, cobrindo áreas que normalmente não seriam cobertas durante a
passagem.
Os satélites podem ser direcionados para a área de interesse através das
Estações do Centro de Controle da Missão (MCC do inglês Mission Control
Center) responsável por gerar um ‘Plano de Observação'. Tendo esse plano de
observação pronto, o MCC envia telecomandos para atendê-lo.
26
Os dados são enviados quase em tempo real para o solo e devem ser
processados quando chegarem para que se tornem úteis aos usuários finais.
Para a aquisição desses dados o satélite utiliza quatro câmeras (ESCORIAL et
al 2003):
a) MIR: é uma câmera de infravermelho médio e é a mais adequada para
a detecção de possíveis incêndios devido a sua faixa espectral;
b) VIS/NIR: são câmeras que observam o infravermelho próximo que são
necessárias para discriminar os falsos alarmes. Também fornece
dados de alta resolução para a geolocalização de fogo, e para o
monitoramento de imagens;
c) TIR: é uma câmera infravermelha térmica que fornece informações
sobre a presença de nuvens e também auxilia na rejeição de falso
alarmes.
3.2.4. Uma Constelação de Satélites de Observação da Terra
A missão criada para essa constelação utilizou técnicas de restrições e
escolhas inspiradas nas missões BIRD e FUEGO. Ela é uma missão de
detecção de início de queimadas e erupções vulcânicas. Assim que
detectadas, essas informações devem ser passadas para estações da Terra
que as enviará para os centros responsáveis por essas situações (DAMIANI et
al, 2005).
Segundo Damiani os elementos que formam essa missão são:
a) doze satélites idênticos em órbitas circulares LEO de 700 km de
altitude; Eles se encontram distribuídos em três órbitas planas com
ângulo de 47,5º com relação ao eixo polar, sendo quatro satélites por
órbita;
27
b) três satélites geoestacionários (GEO) capazes de cobrir toda
superfície da Terra;
c) Centro de missões terrenos específicos para esses eventos.
Ainda segundo o autor, devido a sua órbita os satélites levam 100 minutos para
dar uma volta na Terra e 25 minutos entre o voo de um satélite por uma órbita
e o outro que percorre a mesma órbita. Os satélites geoestacionários fazem a
comunicação entre os demais satélites e os centros de missões terrenos.
Os satélites da órbita LEO são equipados por 2 instrumentos (DAMIANI et al,
2005):
a) Instrumento de detecção de infravermelho com faixa observável na
Terra de 2500 km apontado a 30º, e a uma distancia de 400 km da
frente do satélite. Os dados obtidos por esse instrumento são
analisados assim que recebidos e, quando captam situações de fogo
ou erupções, soam alarmes para os centros de missão no solo.
Assim, uma requisição de observação é enviada para um instrumento
de observação;
b) Instrumento de observação com campo de visada de apenas 176 km.
Esse instrumento possui algumas formas de detecção infravermelhos
térmicos, infravermelhos próximos e visíveis. Ele não fica ligado
constantemente, está apontado sempre para baixo do satélite, um
espelho orientável permite observar lateralmente uma área maior. Os
dados adquiridos aqui não são analisados a bordo e sim, nos centros
de missões terrenos.
A Figura 3.1 a seguir mostra a distribuição desses dois equipamentos.
28
Figura 3.1 - Detecção e observação a bordo de cada Satélite da órbita LEO
Fonte: Damiani et al (2005)
Devido ao ângulo de 30º formado entre os instrumentos tem-se um atraso de 1
minuto entre uma detecção inesperada e sua possível observação pelo mesmo
satélite.
O mesmo satélite não pode observar áreas muito próximas ou passar duas
vezes na mesma posição, pois ele teria uma sobreposição ou não teria tempo
suficiente para mudar a posição do espelho (Figura 3.2). Sendo assim, existe
um pequeno deslocamento entre as áreas vistas pelo mesmo satélite
(DAMIANI et al, 2005).
Figura 3.2 - Incompatibilidade de Observação
Fonte: Damiani et al (2005)
As comunicações entre os componentes não são permanentes.
29
A comunicação dos satélites LEO com a terra através dos GEO satélites é
unilateral e determinada por um alarme;
Apenas quando são diretamente visíveis é que são enviadas mensagens
grandes (requisições de observações e dados de queimadas);
Os satélites LEO não se comunicam diretamente.
Importante saber a diferença entre Earth watching
(acompanhamento/rastreamento de queimadas) e Earth observation
(observação de queimadas) neste ponto:
a) Missões de observação: a requisição vem do solo e o tempo para
atender o objetivo de observação não é pequeno (semanas ou dias).
Precisa de um único centro de controle de missão na Terra;
b) Missão de acompanhamento: (como FUEGO) requisição vem
principalmente do satélite e o tempo de entrega dos resultados são
menores (minutos ou horas).
Cada satélite LEO deve ter um sistema de decisão capaz de (DAMIANI et al,
2005):
a) Cuidar do estado corrente do satélite (como posição do satélite,
trajetória, energia, memória e posição do espelho) e das requisições
vindas dos centros de controle e do instrumento de detecção;
b) Otimizar a obtenção do maior número de imagens possíveis;
c) Criar um plano para executar essa obtenção de imagens;
d) Direcionar e controlar a execução desse plano;
e) Permitir realizar alterações no plano quando ocorrer algo inesperado
ou receber novos conjuntos de observação da terra.
30
Para esses satélites LEO foi criado um sistema com a capacidade de decidir o
que o satélite deve imagear tornando essa missão viável. Esse sistema foi
resolvido por uma técnica de sistema de raciocínio limitado pelo tempo,
tomando como base o tempo de início e final de observação de um local e o
tempo de início de um outro local.
31
4 A IDEIA DE UMA MISSÃO DE MONITORAMENTO AUTÔNOMO DE
INCÊNDIOS
A partir do estudo de características das missões cujos produtos são utilizados
pelo INPE para o monitoramento de queimadas e incêndios e das missões que
possuem esse monitoramento como objetivo principal, foram definidos os
parâmetros iniciais de uma ideia para uma missão hipotética chamada Missão
de Monitoramento Autônomo de Incêndios (M2AI).
A M2AI tem como objetivo principal observação, reconhecimento e analise dos
eventos de alta temperatura, em especial incêndios florestais, já fornecendo ao
centro de controle imagens com alta resolução de tais eventos.
Para atingir tal objetivo, o satélite da missão M2AI será equipado com duas
câmeras captando imagens na faixa termal-média de 4µm durante a sua
operação: uma Câmera de Média Resolução (CMR) e amplo ângulo de visada,
similar às câmeras MODIS dos satélites TERRA e AQUA, e uma Câmera de
Alta Resolução (CAR), com ângulo mais estreito e melhor resolução espacial.
Essa configuração se assemelha à configuração de um dos satélites da
Constelação de Satélites de Observação da Terra, citada anteriormente.
A imagem a seguir (Figura 4.1) mostra o satélite em dois momentos diferentes
e o comportamento de suas câmeras. O destaque em azul ilustra a cobertura
da CMR sobre a superfície da Terra, e o destaque em vermelho, a cobertura da
CAR.
32
Figura 4.1 - Monitoramento de Queimadas utilizando duas Câmeras em um mesmo satélite
A CMR será fixa e adquirirá constantemente imagens em média resolução,
apontando para o Nadir do satélite, ou ligeiramente inclinada à frente do
mesmo, com relação ao seu deslocamento orbital.
A CAR será uma câmera com mobilidade na horizontal em relação à cobertura
realizada pela CMR (seta em vermelho na parte superior da Figura 4.1), e
posicionada de maneira a imagear a mesma área da CMR, mas com algum
atraso – ou seja a CAR poderá obter imagens da mesma região observada
pela CMR, mas apenas alguns poucos minutos depois. Essa mobilidade da
33
CAR possibilita que ela seja redirecionada para captar os focos identificados
pela CMR.
Porém, pode-se observar na Figura 4.2 que é possível encontrar vários focos
de incêndio em uma mesma cena – na figura, os focos de incêndio estão
identificados em vermelho –, assim é improvável que a câmera de alta
resolução consiga cobrir todos os focos. Por isso, o satélite deve ser capaz de
priorizar quais focos deverão ser imageados.
Figura 4.2 – Imagem da Região do Mato Grosso obtida em 11 de julho de 2003 pelo sensor MODIS do Satélite Terra.
Fonte: adaptada Florenzano (2008)
Para ter essa característica é necessário que a CAR tenha certa autonomia e
isso implica em aumentar a capacidade de decisão do satélite de forma que o
mesmo possa planejar, mesmo que parcialmente, a operação de suas cargas
úteis.
Como visto anteriormente com maiores detalhes, a GOESA habilita o satélite a
tomar decisões autonomamente e, possui um gerenciador de objetivos capaz
de priorizar os objetivos mais importantes a serem alcançados. Devido a essa
característica essa arquitetura será utilizada para essa missão. Cabe destacar
34
neste ponto que a GOESA é capaz de realizar as mesmas atividades que o
sistema de decisão da Constelação de Satélites de Observação da Terra.
O Gerenciador de Objetivos, entretanto, não foi implementado por Kucinskis
(KUCINSKIS, 2012c). Existe apenas um protótipo que recebe objetivos do
determinador e os envia para o planejador sem realizar nenhum tipo de validação
sobre esses. Sendo assim, a GOESA atualmente não possui recursos para a priorização
dos objetivos (que são os focos de incêndios a imagear com a câmera de alta
resolução), bem como para a resolução de eventuais conflitos entre eles.
Para que essa missão possa atuar em um satélite é necessária a existência de
um sistema que faça o controle de todas suas atividades autônomas da
missão, ou seja, ele deve ser o responsável por operar a CAR. Este sistema
chamdo Sistema de Montitoramento Autônomo de Incêndios será detalhado em
um capítulo especial para ele devido a sua importância para a pesquisa.
Além disso, para alcançar o objetivo dessa pesquisa é preciso que se façam
algumas adaptações nesta missão, pois para definir uma missão real para esse
tipo de atividade é necessário o trabalho de uma equipe especializada que
possa detalhar todos os dados para seu funcionamento. E, para alcançar o
objetivo dessa pesquisa, esses dados não são necessários de forma tão
rigorosa.
4.1. Restrições, Assunções e Simplificações para o Problema
A presente missão considera as seguintes restrições, assunções e
simplificações para o problema em questão:
a) O satélite estará em órbita polar sol-síncrona a uma altitude de 650
km com um período de 100 minutos de órbita, usando como
referência as missões CBERS-4 e Amazônia-1 do INPE;
b) O centro do foco da câmera CMR estará a 90 graus de distância do
centro do foco da CAR, como pode ser visto na Figura 4.3;
35
Figura 4.3 - Ângulos das Câmeras
c) A velocidade do satélite em órbita será de 27000 km/h;
d) O ângulo entre os focos das câmeras, altitude e velocidade resultarão
numa distância de foco de 1300 km, percorrido em 2,88 minutos.
Portanto, para o presente trabalho, será assumido o tempo
(arredondado para cima) de 3 minutos entre a aquisição das imagens
de média resolução e a aquisição das imagens em alta resolução.
Esse é o tempo que o satélite da M2AI tem para identificar os focos
de incêndio, definir quais deles são importantes, planejar as
operações e direcionar a Câmera de Alta Resolução;
e) Para a implementação do software serão consideradaas as restrições
de capacidade computacional dos satélites do INPE, mais
especificamente da Plataforma Multi-Missão (PMM);
36
f) Nas imagens adquiridas serão desconsideradas variações na relação
pixel-m² geradas em função da posição e ângulo das câmeras, bem
como da curvatura da Terra;
g) Um foco de incêndio será representado por uma tríade (ângulo, tempo
inicial, tempo final), pois isso facilita o entendimento do modelo e não
afeta no desenvolvimento do Priorizador de Focos de Incêndios;
h) Será assumida a existência de um Identificador de Focos de Incêndios
embarcado. O presente trabalho partirá de um conjunto de focos já
identificados, deixando o Identificador em si para desenvolvimentos
futuros;
i) Alarmes falsos e frentes de queimadas serão tratados quando
estiverem sendo definidos os objetivos, ou seja, quando são
identificados os focos de incêndios. Assim, não caberá ao
Gerenciador de Objetivos esse tipo de análise, pois ele apenas
recebe os objetivos não sendo capaz de identificá-los.
37
5 SISTEMA EMBARCADO DE MONITORAMENTO AUTÔNOMO DE
INCÊNDIO
Na missão M2AI proposta nesse trabalho, a operação da CAR será realizada
de forma automática pelo Sistema Embarcado de Monitoramento Autônomo de
Incêndios. Esse sistema deverá ser o responsável pelo controle da missão.
O SEMAI deverá analisar as imagens da CMR a bordo do satélite e buscar por
focos de incêndios. Ao encontrar os focos, o SEMAI comandará a CAR para
que essa imediatamente adquira imagens de alta resolução dos focos.
Comandar de forma autônoma (sem participação do segmento solo) a
movimentação da CAR implica em planejar sua operação a bordo. Além disso,
como vimos anteriormente, em determinadas situações serão detectados focos
de incêndios em determinadas posições as quais será impossível comandar a
CAR para imagear todos os focos. Devido a isso, faz-se necessária a
priorização de quais focos deverão ser observados pela Câmera de Alta
Resolução.
Visando atender as necessidades da missão M2AI, os dados que a compõem
devem ser modelados, formando o modelo embarcado, e incorporados a
arquitetura GOESA para formar o SEMAI. Em outras palavras, este sistema é
um sistema de monitoramento autônomo de incêndio que utiliza a arquitetura
da GOESA para atender seus objetivos. A Figura 5.1 ilustra as etapas de
operação do SEMAI.
As etapas de operação do SEMAI seguem um fluxo que vai de cima pra baixo
na figura e, portanto começam com a aquisição de imagens de média
resolução. Nesta etapa a CMR deverá captar imagens de toda a região
imageada por ela.
38
Em seguida, essas imagens deverão ser enviadas para um identificador de
focos de incêncios que deverá ser capaz de encontrar nestas imagens todos os
focos de incêndios existentes.
Esses focos de incêndios deverão ser enviados para o priorizador de focos de
incêndios a imagear chamado de Gerenciador de Objetivos (destacado em
rosa na Figura 5.1). Este é o componente do SEMAI responsável pela decisão
de quais focos de incêndios devem ser imageados pela CAR.
Os focos de incêndios escolhidos para serem imageados deverão ser enviados
para o planejador de operações, cuja tarefa será definir um plano para que
todos esses focos de incêndios possam ser imageados.
Definido este plano, a CAR deverá ser movimentada de forma a realizar a
aquisição das imagens em alta resolução destes focos de incêndios e esta é a
última etapa do SEMAI.
39
Figura 5.1 – Etapas de Operação do SEMAI
5.1. Adoção da GOESA pelo SEMAI
O fato da GOESA ser uma arquitetura que habilita o aumento da autonomia
operacional das missões do INPE, faz com que ela tenha a capacidade de
mudar o plano de execução caso aconteçam eventos inesperados sem que
seja necessário abortar a missão. Por isso ela será adotada para o SEMAI.
Como visto anteriormente (Figura 4.2), uma cena da CMR pode conter vários
focos de incêndios e a CAR não é capaz de imagear todos. Assim, poder
planejar e priorizar objetivos a bordo é de interesse para o SEMAI, pois ele
deverá ser capaz de definir a bordo quais os focos de incêndio que deverão ser
40
imageados. O Gerenciador de Objetivos da GOESA é o responsável por essa
priorização.
Fazendo uma correlação entre as etapas de operação do SEMAI com os
módulos da GOESA na Figura 5.2, destaca-se que a Identificação de Focos de
Incêndio é responsabilidade do Determinador Embarcado de Objetivos previsto
pela GOESA.
Figura 5.2 – Co-relação entre a GOESA e o SEMAI
A Priorização de Focos de Incêndios a imagear seria responsabilidade do
Gerenciador de Objetivos da GOESA.
O Planejamento de Operações do SEMAI é o Planejador da GOESA, pois é o
responsável por encontrar a sequência de comandos para chegar ao objetivo
através de consultas ao modelo da missão embarcado.
O Modelo Embarcado da GOESA não tem como ser correlacionado
diretamente na figura, mas ele é quem define todas as regras de
comportamento do sistema SEMAI.
Com base nas correlações feitas anteriormente, chega-se a conclusão de que
para adotar a GOESA na implementação do SEMAI será necessário:
41
a) Criar um Modelo Embarcado para a GOESA, descrevendo a operação
da CAR e suas restrições operacionais;
b) Desenvolver um Gerenciador de Objetivos com a capacidade de
validar e priorizar focos de incêndios resolvendo eventuais conflitos
operacionais ao se tentar imageá-los com a CAR de forma autônoma.
Ele poderá priorizar o imageamento de focos de incêndios em função
dos alertas cadastrados no sistema de monitoramento de incêndios
do INPE, de forma similar ao que ocorre na missão FUEGO.
5.2. O Modelo Embarcado
Como visto anteriormente, para se utilizar a GOESA dentro do SEMAI é
necessária a criação do modelo embarcado. Tal modelo irá conter todas as
regras comportamentais dos elementos do sistema SEMAI para que este possa
atender as necessidades da missão através do controle da CAR e demais
elementos.
Para gerar o modelo embarcado da M2AI é necessário que inicialmente alguns
passos sejam realizados. Esses passos são a definição do domínio da missão,
a descrição do domínio estrutural e a descrição do domínio comportamental. E,
a partir da união do domínio estrutural com o domínio comportamental é gerado
um código fonte em C++ que representa o modelo embarcado para a missão. A
Figura 2.3 ilustra a união dos modelos e a geração do modelo embarcado.
Os subitens a seguir descrevem esses passos.
5.2.1. A Definição do Domínio da Missão
A M2AI tem um único objetivo global que é “adquirir, gravar e transmitir focos
de incêndios em regiões pré-determinadas (delimitadas entre as coordenadas
A e B)”, que são definidas em solo e enviadas para o satélite por telecomandos
para serem armazenadas como, por exemplo, definir regiões de maior
importância para a missão.
42
Desse objetivo global, através das imagens da CMR, o Identificador irá definir
vários focos de incêndio que serão considerados objetivos menores a serem
imageados, porém o PFI irá definir quais desses focos de incêndios deverão
ser atendidos, ou seja, imageados pela CAR.
Dadas as informações anteriores, a partir deste ponto, chamar-se-á de
objetivos apenas os objetivos menores, ou seja, aqueles que serão analisados
pelo PFI e os que serão gerados por este como resultado desta analise.
O satélite da M2AI é composto, entre outros elementos, de duas câmeras a
CAR e CMR, do Subsistema de Potência (PSS do inglês Power Supply
Subsystem), do Gravador Digital de Dados (DDR do inglês Digital Data
Recorder) e do Transmissor de Dados (DT do inglês Data Transmiter).
Porém, cabe ressaltar que a CMR, DDR e o DT não fazem parte do domínio do
problema a ser desenvolvido nessa pesquisa. Pois se fossem modelados,
apenas ocorreriam mudanças no modelo da missão para a GOESA o que foi
explorado na tese de Kucinskis (2012), e o comportamento principal da M2AI
não seria influenciado.
O PFI também não terá seu desenvolvimento alterado modelando todos os
elementos, pois ele depende apenas dos objetivos recebidos da CMR e não de
como esses objetivos foram gerados. Sendo assim, para o modelo em questão
teremos os seguintes elementos: CAR e o PSS.
Com base nessa definição de domínio da missão pode-se fazer a descrição
estrutural e a comportamental dela. Os demais subitens explicam cada uma
destas descrições.
5.2.1.1. Descrição estrutural
Nesta etapa devem-se identificar os elementos que compõem o domínio da
missão.
43
Para a CAR, deve-se destacar que ela se movimenta para atender aos
objetivos. Esse movimento é no sentido horizontal com relação à
movimentação do satélite e é limitado a 30º para a direita e 30º para a
esquerda do nadir.
Com a finalidade de representar esse movimento na modelagem foram criados
os comandos: MoveMirrorLeft e MoveMirrorRight. Esses comandos devem
movimentar a câmera para a esquerda e direita, um grau por vez.
A posição em que a câmera pode se encontrar é de -30º até 30º, considerando
que 0º é quando a câmera aponta na direção do nadir com um pequeno
deslocamento para tras. Essa característica foi definida como timeline (uma
variável que se propaga no tempo, ver item 2.1) do ISIS, chamada
MirrorPosition, para que os comandos MoveMirrorLeft e MoveMirrorRight
possam ser utilizados corretamente. mudando o valor da variável que
representa o ângulo no decorrer do tempo.
A câmera pode se encontrar em vários estados, esses estados são os
chamados Modo de Operação, no modelo representado por CameraModes, e
são os seguintes: camera_no_power, camera_power_off e camera_stand_by,
camera_imaging:
a) camera_no_power é o estado em que a câmera não está energizada;
b) camera_power_off é o estado em que a câmera não consome
energia, não faz imageamento e está parada na mesma posição,
porém está energizada;
c) camera_stand_by é o estado em que a câmera consome um mínimo
de energia, porém não faz imageamento e está parada na mesma
posição;
d) camera_imaging é o estado em que a câmera consome energia, faz
imageamento e está parada na mesma posição.
44
O Modo de Operação e a Posição da Câmera da CAR são considerados
timelines.
Para a modelagem foi adotada a palavra CAMERA para representar a CAR. A
seguir tem-se a Tabela 5.1 com um resumo do elemento CAMERA e suas
timelines.
45
Tabela 5.1 – Tabela de Elemento: CAR
46
O PSS fornece uma determinada quantidade de energia que varia entre 0 e
100 watts e essa energia é distribuída para cada componente do satélite. Para
a pesquisa em questão, o importante será o consumo dessa energia realizado
pela CAR que está descrito na Tabela 5.2.
Tabela 5.2 – Consumo de Energia Realizado pela CAR
Além disso, para o PSS existe uma timeline que representa o status linha de
alimentação elétrica da CAR. A tabela a seguir representa a tabela do elemento
PSS com suas timelines e recursos.
Tabela 5.3 – Tabela de Elemento: PSS
5.2.1.2. Descrição comportamental
Nesta etapa devem-se identificar os comandos de cada um dos elementos
modelados acima que levam a uma mudança de estado de suas timelines ou
recursos.
Para identificar esses comandos foi necessário criar um diagrama (Figura 5.3)
contendo todos os possíveis estados em que os elementos do sistema podem
47
se encontrar. Com base nestes estados, foram criados os comandos
necessários para que o sistema mude de um estado para outro.
Figura 5.3 – Diagrama de Estados da CAR
O diagrama acima representa os modos de operação da CAR. Em outras
palavras, esse diagrama representa todos os possíveis estados que a CAR
pode se encontrar.
Analisando esse diagrama chega-se a conclusão que a CAR possui as
seguintes ações: PowerOn, PowerOff, StartImaging, StopImaging. E o PSS
possui as seguintes ações: SwitchOnCameraLine e SwitchOffCameraLine.
A descrição detalhada de cada uma das ações é feita a seguir:
a) SwitchOnCameraLine é a ação que energiza a câmera;
48
b) SwitchOffCameraLine é a ação que desliga a energia da câmera;
c) PowerOn é a ação em que deixa a câmera em modo
camera_stand_by e consumindo um certa quantidade de energia;
d) PowerOff é a ação em que deixa a câmera em modo
camera_power_off e cessa o consumo de energia;
e) StartImaging é a ação onde a câmera está realizando o imageamento,
no modo camera_imaging, e consumindo energia;
f) StopImaging é a ação que coloca a câmera em modo
câmera_stand_by.
Com base na análise feita nos itens anteriores chega-se a seguinte tabela de
operações:
Tabela 5.4 - Tabela de Operações identificadas para o Modelo M2AI
Elemento Ação ou
Evento Descrição
Précondições ou
condição para
ocorrência
Opera sobre ou
consome
CAMERA StartImaging
Coloca a câmera
em Modo de
Operação
camera_imagin
g e a Energia do
PSS deve ser
consumida o
suficiente para
imagear.
O Modo de
Operação da
CAMERA deve ser
camera_stand_by
.
camera_timeline_mod
e da CAMERA e
pss_reource_power do
PSS.
Continua
49
Tabela 5.4 - Continuação
CAMER
A
StartImagin
g
Coloca a câmera
em Modo de
Operação
camera_imaging
e a Energia do
PSS deve ser
consumida o
suficiente para
imagear.
O Modo de
Operação da
CAMERA deve ser
camera_stand_by.
camera_timeline_mod
e da CAMERA e
pss_reource_power do
PSS.
StopImagin
g
Coloca a câmera
em Modo de
Operação
camera_stand_by
.
O Modo de
Operação da
CAMERA deve ser
camera_imaging e
a Energia do PSS
deve ser
consumida o
suficiente para
ficar em
camera_stand_by.
camera_timeline_mod
e da CAMERA e
pss_reource_power do
PSS.
PowerOn
Liga a câmera e a
coloca no Modo
de Operação
camera_stand_by
e a Energia do
PSS deve ser
consumida o
suficiente para
ficar em
camera_stand_by
.
O Modo de
Operação da
CAMERA deve ser
camera_power_off
.
camera_timeline_mod
e da CAMERA e
pss_reource_power do
PSS.
Continua
50
Tabela 5.4 - Conclusão
CAMERA PowerOff
Desliga a câmera
e a coloca em
Modo de
Operação
camera_power_
off e a Energia
do PSS deve
parar de ser
consumida.
O Modo de
Operação da
CAMERA deve
ser
camera_stand_
by,
camera_imaging
ou
camera_moving.
camera_timeline_m
ode da CAMERA e
pss_reource_power
do PSS.
PSS
SwitchOnCam
eraLine
Liga a linha de
alimentação da
camera
colocando a
câmera em
Modo de
Operação
camera_power_
off.
O Modo de
Operação da
CAMERA deve
ser
camera_power_
off e o Status de
Alimentação do
PSS deve ser
switched_off.
camera_timeline_m
ode da CAMERA e
pss_reource_power
do PSS.
SwitchOffCam
eraLine
Desliga a linha
de alimentação
da camera e
coloca a câmera
em Modo de
Operação
camera_no_pow
er.
O Modo de
Operação da
CAMERA deve
ser
camera_power_
off e o Status de
Alimentação do
PSS deve ser
switched_on.
camera_timeline_m
ode da CAMERA e
pss_reource_power
do PSS.
As considerações tomadas para essa modelagem são as seguintes:
a) A maioria das operações modifica o estado de uma, ou duas,
timelines;
51
b) Não é modelado o tamanho da memória para o PFI, pois isso não
afetaria a ideia principal da missão, apenas introduria uma nova regra
de comportamento, o que não provoca mudanças importantes para a
ideia central de priorizar os objetivos. A introdução do tamanho da
memória apenas mudaria a forma como o planejador decidiria como
atender aos objetivos finais;
c) O centro do foco da câmera CMR estará a 90 graus de distância do
centro do foco da CAR.
5.3. Representação do Problema para o Processamento a Bordo
Como citado anteriormente, após a descrição estrutural e comportamental do
domínio é necessário utilizar o parser da GOESA para a geração do modelo
embarcado que será um código fonte em linguagem C++. Esse processo é
representado na Figura 2.3 e o código fonte que representa o resultado se
encontra no Anexo A.
5.4. Resultados do uso do Modelo Embarcado aplicado a GOESA sem o
Priorizador
Neste item serão demonstradas duas execuções do SEMAI na arquitetura da
GOESA para a missão M2AI, uma contendo apenas objetivos que a GOESA
pode atender e outra contendo objetivos conflitantes.
Cabe destacar aqui que a GOESA possui um protótipo de Gerenciador de
Objetivos que não faz nada, ele apenas recebe os objetivos e os envia da
forma como recebeu para o planejador. Em outras palavras, existe a
necessidade de existir este módulo, mesmo que ele não realize nenhuma
atividade importante. A intenção da execução do SEMAI para objetivos
conflitantes é a de demonstrar o comportamento dessa sem o PFI, porém
utilizando o protótipo do Gerenciador de Objetivos, provando assim a
necessidade da criação deste. Neste ponto cabe destacar que por já estar com
52
o modelo da missão embarcado subentende-se que quando se fala em
executar o SEMAI ou executar a GOESA trata-se da mesma coisa. Mas isso só
é válido devido ao fato da arquitetura GOESA estar trabalhando com o modelo
embarcado da missão M2AI.
5.4.1. Estudo de caso 1 – A CAR é Capaz de Atender Todos os Objetivos
Recebidos
Para o primeiro estudo de caso será escolhido um número pequeno de focos
de incêndio, pois o objetivo é apenas demonstrar que a GOESA funciona
corretamente quando utilizada para a M2AI, e introduzir o leitor aos passos que
a GOESA realiza para atender todos objetivos.
Os objetivos desse estudo de caso estão representados na Tabela 5.5 a seguir:
Tabela 5.5 - Objetivos do Estudo de Caso 1 - A CAR é Capaz de Atender todos os
Objetivos Recebidos
Objetivos Tempo inicial Tempo final Ângulo
0 300000 400000 15
1 500000 600000 -7
Para essa execução a GOESA deve ser inicializada com a seguinte
configuração: a CAR deve iniciar suas atividades no ângulo ‘0’, estar desligada
e sem energia. O tempo da sessão de inferência, ou seja, tempo de
planejamento de atendimento aos objetivos, deve ser de 0 até 999999
milissegundos.
Ao executar a GOESA para esses dois objetivos esta arquitetura realiza as
ações detalhadas na Tabela 5.6 atendendo ambos objetivos corretamente.
Essas ações fazem parte do plano gerado pelo planejador com a finalidade de
atender esses objetivos.
53
Tabela 5.6 – Ações realizadas pela GOESA para atender o Caso de Estudo 1 - A
CAR é Capaz de Atender todos os Objetivos Recebidos
Lista de Ocorrências
Tempo Ação timeline afetada Valor Resource
R
Consu
mer
R
val
ue
0 start sessão
1 -
pss_timeline_camerapo
werlinestatus
0 -
switched_of
f
1 -
pss_resource
_power
0 0
2 -
camera_timeline_mode
0 -
camera_no
_power
3 -
camera_timeline_mirro
rposition
0
4 -
camera_timeline_movin
g
0
273000
1 -
pass_action_swi
tchoncameralin
e
1 -
pss_timeline_cameralin
estatus
1 -
switched_o
n
2 -
camera_timeline_mode
1 -
camera_po
wer_off
274000
3 -
camera_action_
poweron
2 -
camera_timeline_mode
2 -
camera_sta
nd_by
1 -
pss_resource
_power
0 56
Continua
54
Tabela 5.6 – Continuação
297500
8 -
camera_action
_movemirrorri
gth
3 -
camera_timeline_mirr
orposition
31(1)
1 -
pss_resourc
e_power
0 58
4 -
camera_timeline_movi
ng
1 - true
1 -
pss_resourc
e_power
0 56
297599 endogeno
4 -
camera_timeline_movi
ng
0 - false
1 -
pss_resourc
e_power
0 56
...
299000
5 -
camera_action
_startimaging
2 -
camera_timeline_mod
e
3 -
camera_im
aging
1 -
pss_resourc
e_power
0 70
402000
6 -
camera_action
_stopimaging
2 -
camera_timeline_mod
e
2 -
camera_sta
nd_by
1 -
pss_resourc
e_power
0 56
496800
7 -
camera_action
_movemirrorle
ft
3 -
camera_timeline_mirr
orposition
44 (14)
1 -
pss_resourc
e_power
0 58
4 -
camera_timeline_movi
ng
1 - true
496899 endogenous
4 -
camera_timeline_movi
ng
0 - false
1 -
pss_resourc
e_power
0 56
...
Continua
55
Tabela 5.6 - Conclusão
499000
5 -
camera_action
_startimaging
2 -
camera_timeline_mod
e
3 -
camera_im
aging
1 -
pss_resourc
e_power
0 70
602000
6 -
camera_action
_stopimaging
2 -
camera_timeline_mod
e
2 -
camera_sta
nd_by
1 -
pss_resourc
e_power
0 56
Para melhor atender a esses objetivos a seguir tem-se uma breve explicação
da Tabela 5.6.
Inicialmente a GOESA inicializou uma sessão no tempo ‘0’. Neste momento, a
CAR deve estar desligada, apontando para a posição de 90º, ou seja, para o
Nadir.
No tempo 273000 milissegundos, a CAR dever estar energizada, porém ainda
desligada.
No tempo 270000 milissegundos, a CAR deverá ser ligada e colocada no modo
stand_by, modo em que fica aguardando instruções sem executar nenhuma
ação.
No tempo 29750 milissegundos, a CAR deverá começar a se mover e a cada
100 milissegundos o evento endógeno deverá garantir que ela pare de se
mover, fazendo com que ela se mova 1º a cada 100 milissegundos. Esse
evento deverá ocorrer até que a CAR chegue ao ângulo desejado de 15º. Essa
repetição está representada pelo símbolo ‘...’ na tabela.
No instante 299000 milissegundos, a CAR começa a imagear.
No instante 402000, a CAR para de imagear e volta a ficar em estado de
standy_by.
56
No instante 496800, a CAR começa a se movimentar até que alcance o ângulo
de -7º.
No tempo 499000, a CAR começa a imagear novamente.
E, finalmente no tempo 602000, a CAR para de imagear e fica aguardando
novos objetivos, por isso ela não será desligada e permanecerá em stand_by.
Analisando o comportamento da GOESA para a M2AI, observa-se que a
GOESA realiza as atividades conforme a Figura 5.3. Inicialmente ela é
energizada, depois ligada e colocada em modo de stand_by, depois é
movimentada até o ângulo desejado, começa a imagear e sua última ação é
quando para de imagear. Dois detalhes importantes são que a CAR recebe o
comando para imagear 1000 milissegundos antes do momento recebido e
somente para de imagear 2000 milissegundos depois do tempo desejado.
5.4.2. Estudo de caso 2 – A CAR não Possui Tempo Suficiente para se
Movimentar e Alcançar Todos os Objetivos Recebidos
Para esse estudo de caso serão enviados objetivos conflitantes para analisar o
comportamento da GOESA sem o PFI.
Os objetivos desse estudo de caso estão representados na Tabela 5.7 a seguir:
57
Tabela 5.7 - Objetivos do Estudo de Caso 2 – A CAR não Possui Tempo Suficiente
para se Movimentar e Alcançar todos os Objetivos Recebidos
Objetivo Tempo inicial Tempo final Ângulo
0 100000 120000 0
1 200000 250000 -7
2 210000 245000 0
3 220000 230000 5
4 400000 450000 -7
5 410000 440000 4
6 413000 430000 8
7 600000 650000 -7
8 603000 640000 0
9 620000 630000 8
Para essa execução, a GOESA deve ser inicializada com a seguinte
configuração: a CAR deve iniciar suas atividades no ângulo ‘-30’, estar
configurada como desligada e sem energia. . O tempo da sessão de inferência,
ou seja, tempo de planejamento de atendimento aos objetivos, deve ser de 0
até 999999 milissegundos.
O resultado apresentado pela GOESA foi o seguinte:
** PLANNING FINISHED WITH TIMEOUT !!! **
The last 0 planning loop iterations took 3641476 ms
58
Como se pode observar, a GOESA não foi capaz de atender a esses objetivos
o que causou o comportamento anterior. Por este motivo, justifica-se a
necessidade de se desenvolver o PFI.
59
6 A MODELAGEM DO PROBLEMA DO PRIORIZADOR DE FOCOS DE
INCÊNDIOS
Como vimos no capítulo anterior a GOESA não obteve êxito quando
introduzimos objetivos conflitantes, assim observamos a necessidade de
resolver este problema. E, como já foi dito anteriormente, o responsável por
essa tarefa é o Gerenciador de Objetivos da GOESA, que para o SEMAI, será
chamado de Priorizador de Focos de Incêndios (PFI).
Assim, a próxima etapa necessária seria a introdução do PFI no SEMAI e para
isso precisa-se desenvolvê-lo. Para esse desenvolvimento ser adequado é
necessário encontrar uma técnica para ser aplicada nesta tarefa de
implementação, e por isso, esse capítulo se dedica a explicar algumas técnicas
que poderiam atender as necessidades do PFI.
Para definir a técnica a ser utilizada para a resolução do problema dos focos de
incêndio no PFI, inicialmente fez-se um modelo contendo as informações que
devem ser manipuladas por este, e os respectivos resultados esperados
dessas manipulações.
As informações de entrada são os objetivos a imagear, ou seja, são os focos
de incêndio detectados pela CMR. Os resultados esperados são os objetivos
que a CAR deve imagear. E é devido a essas características que o
Gerenciador de Objetivos recebe o nome de Priorizador de Focos de Incêndios.
O foco de incêndio é representado na forma (a,ti,tf), onde ’a’ é o ângulo onde a
câmera deverá imagear, ‘ti’ é o tempo inicial em que se começa o
imageamento pela CAR e ‘tf’ o tempo final em que se para o imageamento.
A imagem a seguir (Figura 6.1) é um exemplo de vários objetivos que deverão
servir de entrada para o PFI. Na imagem os objetivos são representados pelos
retângulos denominados pelas letras de A até N.
60
Figura 6.1 – Objetivos Recebidos Como Entrada Para o Priorizador de Focos de Incêndios
Importante ressaltar que ‘t’, na mesma figura, representa o tempo de órbita,
logo ele equivale a 100 minutos e deve ser zerado toda vez que passar em um
marco definido como marco zero. O marco zero da M2AI será a estação de
Cuiabá. E o ângulo ‘a’ representa a posição, em relação ao tempo, na qual se
encontra o incêndio na região a ser imageada.
Para o modelo foi necessário definir o tempo em que a câmera leva para
movimentar o espelho em um grau, pois a partir desse dado pode-se calcular o
tempo de reposicionamento da CAR para o próximo foco de incêndio a ser
imageado. Esse tempo é de 100 milissegundos.
O tempo que a câmera leva para mudar de posição, mais o tempo que ela leva
para começar imagear (1000 milissegundos) e mais o tempo em que ela leva
para parar de imagear (2000 milissegundos) deve ser calculado para
encontrarmos o tempo total em que a câmera leva para começar a imagear o
próximo foco de incêndio. Com base nesse cálculo, consegue-se prever se a
CAR conseguirá mudar de posição com tempo suficiente para imagear o
próximo foco de incêndio.
61
Além disso, é importante definir uma tabela contendo quais áreas são
importantes e o nível de importância de cada área (áreas coloridas em
amarelo, laranja e azul da Figura 6.1 e que estão representadas
numéricamente na Tabela 6.1). Essas áreas são importantes, pois em alguns
momentos será necessária a escolha entre uma delas para ser imageada. Essa
escolha é necessária quando a CAR não conseguir imagear as duas
simultaneamente. Por exemplo, quando não houver tempo suficiente para a
CAR se mover e imagea-las a câmera deverá imagear apenas a área
considerada de maior prioridade.
As áreas de prioridades, assim como as áreas a serem imageadas, estão
sendo representadas por áreas retangulares apenas por ser uma simplificação
para o modelo, pois normalmente elas teriam formas variadas. Essa
simplificação não altera o resultado da implementação do PFI.
Essas áreas serão definidas como importantes de acordo com as necessidades
dos usuários dos dados gerados pelo satélite e da equipe que gerenciará a
missão. Entre as necessidades têm-se as áreas de preservação ambiental, que
são as mais importantes, as áreas que os usuários pediram para serem
imageadas e as fazendas, sendo essas últimas de menor importância com
relação às demais.
Na Tabela 6.1 a coluna ‘ai’ representa o ângulo inicial da área, a ‘af’ é o ângulo
final, ‘ti’ é o tempo de órbita inicial referente ao ângulo a ser imageado, e o ‘tf’ é
o tempo de órbita final referente a esse mesmo ângulo e ‘p’ é o valor que
representa a prioridade da área. A Figura 6.2 ilustra a representação de uma
área.
62
Tabela 6.1 – Importância da Área
Área ai af Ti Tf p
0 -30 30 100000 120000 1
1 -30 30 200000 240000 2
2 -30 30 240000 500000 3
3 -30 5 600000 650000 4
4 6 30 600000 650000 5
Para a Tabela 6.1 pode-se considerar que existem 5 áreas cadastradas e de 5
prioridades diferentes. Importante ressaltar que um mesmo valor de área de
prioridade pode ser repetido quantas vezes necessário e que áreas não
cadastradas recebem automaticamente o valor ‘0’ como prioridade (ou seja, o
valor de menor prioridade).
Área a ser
imageada
ai afti
tf
t
a
Figura 6.2 - Exemplo de representação de uma área
Para definir quais serão os objetivos a serem cumpridos serão necessárias
algumas regras a serem seguidas:
a) Dados os objetivos A, B, nos quais ti(A) seja menor que ti(B) e caso o
tf(A) seja menor que o ti(B) verificar se a câmera terá tempo suficiente
63
para mudar de posição e imagear os dois, se possuir o tempo
suficiente ela deverá imagear os dois, caso contrário, irá imagear o de
maior prioridade. Caso tenha a mesma prioridade, verifique se estão
em conflito, se estiverem em conflito imagear o mais perto, senão
imagear o A e não faz nada no B;
b) Dados os objetivos A e B, caso o ti(A) seja igual ao ti(B) imagear o de
maior prioridade. Caso tenha a mesma prioridade, verifique se estão
em um mesmo intervalo de referência, se estiverem, imagear o mais
perto, senão imagear o A e não o B;
c) Dados os objetivos A, B e C, onde ti(A) seja menor que ti(C), e ti(A)
seja menor que ti(B) e caso o tf(A) seja maior que o ti(B), verifica-se a
prioridade p(A) e p(B) :
a. Se p(A) maior que p(B), imagear A e não o B;
b. Se p(A) menor que p(B), imagear B e não o A;
c. Se p(A) igual a p(B), verifica se existe tempo hábil para imagear
os dois, em caso positivo imagear os dois sendo que o B
parcialmente, se não imagear o mais perto.
Essas regras são as regras que deverão ser modeladas para serem
embarcadas no PFI, por isso o modelo recebe a denominação de Modelo de
Regras Embarcado.
Com base nessas regras, pode-se criar um fluxo de como o sistema deve se
comportar diante das regras encontradas. A seguir, tem-se duas figuras que
representam esse comportamento, porém em situações diferentes: a Figura 6.3
(Situação A) representa o caso em que o tempo final do próximo objetivo é
menor que o tempo final do anterior, e a Figura 6.4 (Situação B) representa o
comportamento oposto ao anterior.
64
Figura 6.3 – Fluxo do Comportamento do Sistema, Situação A
65
Figura 6.4 - Fluxo do Comportamento do Sistema, situação B
Á partir das informações citadas neste item é possível saber quais o dados
serão manipulados e, também, conhecer algumas das regras de
comportamento do sistema. Com essas informações já é viável escolher as
possíveis técnicas de solução para este problema e decidir qual é a mais
adequada entre as estudadas.
6.1. Possíveis Técnicas para a Solução do Problema
6.1.1. Técnicas de Solução de Problemas Baseada na Busca em Grafos
Para a solução dos conflitos encontrados pelo PFI pode-se buscar o uso de
uma técnica clássica de busca de soluções. Para o uso desta técnica,
inicialmente precisa-se visualizar o problema através de grafos. Esta forma de
66
representação permite ao pesquisador em Inteligência Artificial aplicar vários
teoremas da área (SCHILDT, 1989).
Para o problema do PFI pode-se gerar o grafo de restrições da seguinte forma:
O nó de um grafo representa o foco de incêndio que deverá ser imageado, o nó
terminal seria o último foco de incêndio recebido, o espaço de busca seria
todos os nós, e o objetivo do grafo seria percorrer os nós até chegar ao último
foco de incêndio tentando percorrer o maior número de nós possível.
Heurísticas seriam as regras para percorrer esses nós com o melhor caminho
possível, e o caminho-solução seria um grafo dirigido de nós visitados que
levam a solução do problema. A Figura 6.5 representa um modelo desse grafo.
A
N
M
L
J
I
H
G
F
E
D
C
B
Figura 6.5 - Grafo do Modelo
67
Porém, pode-se visualizar o problema utilizando a representação em forma de
árvore o que facilitaria seu entendimento. A figura a seguir (Figura 6.6) usa
essa representação em árvore.
A
N
M
L
J
I
H
G
F
E
D
C
B
E
E
N
M
L
J
I
H
N
M
L
J
I
H
N
M
L
N
M
L
J
I
H
G
F
N
M
L
J
I
H
N
M
L
J
I
H
N
M
L
N
M
L
J
I
H
G
F
N
M
L
J
I
H
N
M
L
J
I
H
N
M
L
Figura 6.6 - Árvore do Modelo
Para encontrar a solução para esses tipos de problemas utiliza-se algoritmos
de busca (WIKIMEDIA FUNDATION, 2013). Essa técnica permite encontrar
várias soluções para o problema. Então nota-se que pode acontecer uma
explosão combinatória, caso tente utiliza-la de forma exaustiva. Para evitar que
68
isso ocorra, existem outras formas de se buscar o resultado aplicando técnicas
de buscas específicas, tais como:
a) busca em profundidade (depth-first);
b) busca em nível ou largura (breadth-first);
c) busca subindo morro (Hill-climbing);
d) busca do menor custo (least-cost).
Os próximos itens desse tópico descrevem brevemente essas técnicas e
indicam quais delas poderiam ser utilizadas para solucionar o problema do
Priorizador de Focos de Incêndios.
6.1.1.1. Técnica de busca em profundidade
Essa técnica explora cada caminho possível até encontrar a solução antes de
tentar outro caminho.
“esse tipo de percurso, você vai para a esquerda na árvore até
encontrar um nó terminal ou o objetivo. Se encontrar um nó terminal,
então retorna um nível, segue para a direita e vai para a esquerda até
encontrar o objetivo ou um nó terminal.” (SCHILDT, 1989)
Isso se repete até encontrar o objetivo ou ter examinado o último nó do espaço
de busca.
Em casos extremos, essa busca poderia ser muito demorada e entraria na
situação da busca exaustiva, assim essa técnica atenderia ao problema, mas
não seria viável para o PFI devido ao tempo que poderia levar para encontrar a
solução.
6.1.1.2. Técnica de busca em nível
Essa técnica é oposta à busca em profundidade, sendo que ela deverá buscar
a solução em cada nó da árvore pertencente ao mesmo nível antes de mudar
69
para o próximo nível (SCHILDT, 1989). Isso, assim como na técnica anterior,
pode levar à busca exaustiva, não sendo também adequada para a solução do
problema em questão.
Cabe observar que a busca em nível tem maior probabilidade de encontrar a
solução ótima que a busca em profundidade. Porém, a solução que precisa ser
encontrada para o problema do PFI é que se percorra o maior número de nós
possíveis, e isso exigiria que o algoritmo chegasse ao último nível da árvore, ou
seja, a um nó final. Tal característica também eliminaria essa técnica, pois o
caminho ótimo é o caminho que chega a solução através do menor número
possível de nós percorridos.
6.1.1.3. Heurísticas
Como visto nos itens anteriores esses problemas geralmente apresentam alta
complexidade e são custosos. Isso exige o uso de métodos heurísticos para
que se possam resolver tais problemas em tempo aceitável (BERETTA, 2013).
“Heurísticas são simplesmente regras que qualificam a possibilidade de uma
busca estar se processando da direção correta” (SCHILDT, 1989).
Os próximos itens citarão brevemente alguns algoritmos baseados em busca
de profundidade com heurísticas.
6.1.1.4. Técnica de busca subindo morro
Também chamada de Hill-climbing, “essa técnica escolhe como seu próximo
passo o nó que parece posicionar-se o mais perto do objetivo” (SCHILDT,
1989). Poderíamos aplicá-la na solução do problema em questão se
adotássemos algumas heurísticas que a levassem de forma mais rápida para a
solução.
Essa técnica possui três características negativas: falsos morros, platôs e
serras que são quando não é possível definir se as soluções são boas ou ruins,
dificultando na escolha da melhor opção.
70
A solução ótima é encontrada de forma mais rápida do que sem utilizar as
heurísticas.
6.1.1.5. Técnica de busca menor custo
Essa “técnica é oposta ao técnica subindo morro” (SCHILDT, 1989), pois
escolhe a variável de menor custo, ou seja, ela tenta encontrar o menor
caminho possível diminuindo a distância percorrida, otimizando o tempo de
percurso. Para isso ela busca o nó que esteja o mais próximo possível da sua
posição atual.
Assim como na técnica anterior, essa técnica possui as mesmas três
características negativas: falsos morros, platôs e serras que são quando não é
possível definir se as soluções são boas ou ruins, dificultando na escolha da
melhor opção.
A solução ótima, com a aplicação desta técnica, é encontrada de forma mais
rápida do que sem utilizar as heurísticas.
6.1.2. Problemas de Satisfação de Restrições
A técnica de Problemas de Satisfação de Restrições (Constrains Satisfaction
Problems, CSP) (RUSSEL;NORVIG, 2004) é utilizada pelo Modelo Embarcado
e Planejador da GOESA, o que a torna uma candidata natural à implementação
do PFI.
O CSP é um processo utilizado para encontrar a solução para um conjunto de
restrições, as quais impõem condições para a atribuição de valores das
variáveis. Portanto, a solução é um conjunto de valores que satisfazem as
variáveis e atendem as restrições. Os CSP’s são estudados em duas grandes
áreas: Inteligência Artificial e Pesquisa Operacional.
A definição de um CSP é um problema de satisfação de restrições e definido
com uma tripla . Onde é representa o conjunto de variáveis, o
71
domínio dos valores e o conjunto de restrições. Assim, toda
restrição é um par , onde é uma -tupla de variáveis e é
uma relação matemática -aria em . A avaliação das variáveis é uma
função de variáveis para o domínio de valores . Essa avaliação
satisfaz as restrições se . A
solução é uma avaliação que satisfaz todas as restrições.
O problema da satisfação de restrições sobre domínios finitos é tipicamente
resolvido utilizando uma forma de algoritmo de busca. Dentre as técnicas mais
usadas estão variantes dos algoritmos de busca com retrocesso ou
‘backtraking’, propagação de restrições e busca local que serão exploradas a
seguir (RUSSEL;NORVIG, 2004).
6.1.2.1. Busca com retrocesso para CSP
A busca com retrocesso mantém uma atribuição de valores parcial das
variáveis de um conjunto à medida em que é executada. Inicialmente, todas as
variáveis não possuem valores atribuídos. A cada passo tomado, uma variável
é escolhida, e todos os possíveis valores para a mesma são testados. Isso se
repete até se chegar à solução desejada.
Pode-se aplicar a esse algoritmo algumas técnicas que checam a consistência
das variáveis. Para cada valor, é checada a consistência parcial do conjunto.
Quando todos os valores tiverem sido avaliados com relação à consistência,
caso este conjunto não seja satisfeito, tem-se o inicibo do processo de retornar
ao passo anterior e tentar uma nova configuração (WIKIMEDIA FUNDATION,
2013).
As técnicas de consistências são conhecidas por ‘técnica de consistência de
nó’ e ‘técnica de consistência de arco’. Ao aplicá-las em um CSP pode-se
ocorrer a remoção de valores dos domínios das variáveis de decisão que levam
a inconsistências até se encontrar uma solução (TAVARES, 2000).
72
As variáveis e seus valores devem ser ordenados durante a execução desse
algoritmo. Para decidir qual a variável seguinte utilizam-se os métodos de
‘heurísticas de valores restantes mínimos’ e de ‘heurísticas de grau’.
A ’heurística de valores restantes mínimos’, também chamada ’variáveis mais
restritas’ (VMR), é a escolha da variável de menor número de valores válidos.
Em outras palavras, ela escolhe a variável com maior probabilidade de causar
falhas em breve.
A “heurística de grau” “tenta reduzir o fator de ramificação em escolhas futuras
selecionando a variável envolvida no maior número de restrições sobre as
outras variáveis não atribuídas” (SCHILDT, 1989).
6.1.2.2. Técnica propagação de restrições para CSP
Técnicas de propagação de restrições são métodos que modificam o problema
da satisfação de restrições, pois através destas técnicas são impostas
consistências locais que também devem estar relacionadas com a consistência
de um grupo de variáveis e/ou restrições. Essa forma de consistência seriam
restrições utilizadas para ajudar na escolha de qual seria o próximo passo a ser
escolhido pelo algoritmo.
A expressão “propagação de restrições” é utilizada aqui para indicar a
propagação das implicações de uma restrição sobre uma variável para outras
variáveis. Isso deve ser feito de forma rápida para que seja viável.
Essa técnica foi apontada por Kucinskis (2012) como uma técnica a ser
explorada no desenvolvimento de um Gerenciador de Objetivos para a
GOESA, sendo portanto, candidata à implementação do PFI.
6.1.2.3. Busca com retrocesso inteligente para CSP
O retrocesso ocorre quando não é possível encontrar nenhuma atribuição
válida para uma variável. Existem algumas alternativas de se realizar esse
73
retrocesso. Uma alternativa simples, porém não muito eficiente, seria a de
retrocesso cronológico, no qual caso identifique uma falha, o algoritmo deve
retornar no ramo de busca até a variável precedente e experimentar um novo
valor para esta. Outra forma de retrocesso mais viável é retorno orientado por
conflito que efetue o retrocesso diretamente para a origem do problema.
6.1.2.4. Busca local para CSP
Os algoritmos de busca local são muito eficazes na resolução de problemas de
satisfação de restrições. Estes utilizam uma formulação de estados completos:
o estado inicial atribui um valor a cada variável e a função sucessor, que busca
o próximo nó, em geral funciona alterando o valor de uma variável de cada vez.
O algoritmo de busca subindo morro estudado anteriormente é um exemplo de
busca local para resolução de CSP (SCHILDT, 1989).
Russel (RUSSEL;NORVIG, 2004) descreve: “Na escolha de um novo valor de
uma variável, a heurística mais obvia é selecionar o valor que resulta no
número mínimo de conflitos com outras variáveis”, ou seja, heurística de
conflitos mínimos.
A busca local utilizando a heurística de conflitos mínimos tem sido aplicada
com grande sucesso a problemas de CSP.
6.1.2.5. Rede de tarefas hierárquicas
Outra técnica avaliada no desenvolvimento da GOESA, mas não adotada por
ela, é a de Redes de Tarefas Hierárquicas (HTN do inglês Hierarchical Task
Networks). Essa técnica é uma especialização do CSP.
Essa técnica busca refinar um plano com a decomposição hierárquica de
tarefas abstratas. Ela reduz essas tarefas até que essas se tornem tarefas
primitivas, que são aquelas que podem ser executadas diretamente pelo
executor do plano.
74
Porto descreve (2006, p. 53): “O planejamento através de HTN é uma
abordagem ao planejamento automático baseado em abstração na qual a
dependência entre as ações podem ser dadas na forma de uma rede”.
Seu objetivo é a produção de sequências de ações que realizam algumas
atividades ou tarefas obedecendo a suas restrições de ordenação.
No PFI as suas tarefas são simples, não sendo possível fazer uma divisão
destas em subtarefas mais simples até chegar nas tarefas mais primitivas, em
outras palavras, as tarefas são atômicas. O PFI apenas tem a missão de
resolver os conflitos, ou inconsistência, de objetivos que são considerados aqui
como tarefas.
Para justificar o uso de HTN, seria necessária a existência de tarefas
compostas para serem modeladas como uma rede onde seriam decompostas
até se tornarem atômicas para, somente então, aplicarem as restrições que
seriam as relações entre essas tarefas.
A
Figura 6.7 abaixo ilustra como seria para o Priorizador de Focos de Incêndios
caso pudesse aplicar HTN.
Figura 6.7 - Representação de Como Seria uma HTN
75
6.1.2.6. Álgebra temporal de intervalos
A representação do problema do conhecimento temporal e do raciocínio
temporal é aplicada a algumas disciplinas, entre elas tem-se a ciência da
computação. Na ciência da computação ela é aplicada entre outras áreas em
sistemas de informação e inteligência artificial.
Vilain (VILAIN et al, 1986) descreve: “Allen e Koomen desenvolveram um
algoritmo que tem um sistema de planejamento dependente de álgebra
temporal para executar um raciocínio de ações”. Nesse algoritmo, um intervalo
baseado em lógica temporal é introduzido a um algoritmo de propagação de
restrições (ALLEN, 1983). Sendo assim, essa técnica é uma especialização de
CSP.
De acordo com Vilain, a álgebra temporal de intervalos de Allen é considerada
uma técnica de raciocínio temporal. Para utilizar essa técnica deve-se notar
que o domínio do problema contém uma hierarquia temporal implícita e que se
pode controlar com precisão um conjunto de deduções que o sistema deve
realizar de forma automática (ALLEN, 1983).
Essa técnica descreve a representação temporal utilizando-se da noção de
intervalo, além disso, ela possui um método de representação de relações
entre esses intervalos de forma hierárquica, utilizando para esse fim as
técnicas de propagação de restrições. Ela também utiliza-se de intervalos de
referência que será explicado mais adiante.
Segundo Allen, as aproximações necessárias para uma representação
temporal são:
a) Admitir precisão insignificante;
b) Admitir incerteza da informação;
76
c) Admitir variedade na granulidade do tempo, ou seja, o tempo pode ser
representado em diversas unidades como segundos, minutos, horas,
etc.;
d) O modelo deve ser persistente.
O modelo de Allen utiliza o intervalo de tempo. Ele é constituído por um
conjunto totalmente ordenado de pontos de tempo, ou seja, de pontos que
representam um instante. Os intervalos desse modelo são pares ordenados de
pontos de tempo onde o primeiro ponto é menor que o segundo ponto. Sendo
assim, podem-se captar relações temporais entre os intervalos de tempo do
modelo.
A Tabela 6.2 a seguir representa as relações que podem existir entre dois
intervalos de tempo. As variáveis ‘t’ e ‘s’ são dois intervalos de tempo distintos
e ’t-’, ‘ t+‘, ‘s-’ e ‘s+‘ representam tempo inicial e tempo final destes intervalos.
Na primeira linha da tabela tem-se que o intervalo ‘s’ apenas se inicia após o
intervalo ‘t’ ter terminado, na segunda linha ambos são idênticos, na terceira
linha os intervalos se sobrepõem, na quarta linha o intervalo ‘s’ começa
exatamente quando o intervalo ’t’ termina e na última linha um intervalo contém
o outro (sendo que está expresso que ‘t’ pode conter ‘s’ ou que ‘s’ pode conter
‘t’).
Tabela 6.2 - Relações Entre Intervalos
Fonte Adaptada: Allen (1983)
77
Matematicamente, um intervalo é um segmento da linha temporal (formada por
números reais) limitados por dois pontos t1 e t2 representado da seguinte
forma: (t1, t2), t1<t2 (ALLEN, 1983).
Allen sugere que se introduzam as relações entre esses intervalos no modelo.
E, para gerenciar essas relações, ou relações temporais, utiliza-se um
algoritmo de inferência. Essa técnica de inferência implica em caracterizar as
inferências que devem aparecer automaticamente durante a resolução dos
problemas (ALLEN, 1983). Essas inferências são as relações que são definidas
na tabela Tabela 6.3, gerada a partir das relações da Tabela 6.2:
Tabela 6.3 - Relações da Álgebra de Allen
Fonte: Allen (1983)
Essas 13 relações são capazes de representar todas as possíveis semânticas
para relações temporais, inclusive o de exclusão mútua, onde a ordem dos
eventos não importa desde que não se sobreponham (PASSOS, 2012).
Com base nessas relações e através do algoritmo de inferência que Allen
utiliza para gerenciá-las chega-se a uma rede de relações possíveis entre dois
intervalos que é descrita na Tabela 6.4 a seguir:
78
Tabela 6.4 - Transitividade das 13 Relações da Álgebra de Allen
Fonte: Allen (1983)
79
A rede de álgebra de intervalos aumenta a complexidade de um algoritmo que
utilize propagação de restrições (PASSOS, 2012). Assim, outra técnica
utilizada nesse algoritmo é a introdução de intervalos de referência que
agrupam conjuntos de intervalos fazendo com que as restrições temporais
entre cada par de intervalos se restrinjam aos intervalos deste grupo (ALLEN,
1983). Essa técnica foi introduzida com o objetivo de diminuir o espaço
necessário para a execução do algoritmo de Allen.
Em resumo, a álgebra temporal de intervalos, ou álgebra de Allen, é um
algoritmo utilizado em modelos de problemas cujos dados possam ser
modelados como intervalo de tempo e que utiliza o algoritmo de propagação de
restrições para solucionar o problema. Porém, ele introduz intervalos de
referência e os relacionamentos da álgebra de Allen (como restrições entre
intervalos) visando uma melhoria no desempenho do algoritmo.
6.2. Modelagem do Problema do Priorizador de Focos de Incêndios
Aplicando algumas Técnicas que Atendem suas Necessidades
Neste item serão demonstradas duas modelagens para o PFI utilizando as
técnicas que foram identificadas como possíveis para solucionar o problema
proposto. A Tabela 6.5 mostra um resumo das técnicas estudadas facilitando a
visualização da escolha das técnicas aplicadas na modelagem.
80
Tabela 6.5 – Resumo das Técnicas Estudadas
Solução de Problemas Baseada em Busca em Grafos
Técnicas Técnica Modificada Heurísticas Soluciona
Busca em Profundidade
não sim
Busca em nível
não sim
Busca Subindo Morro
sim sim
Busca Menor Custo
sim sim
Problemas de Satisfação de Restrições
Busca com Retrocesso sim sim
Propagação de Restrições sim sim
Busca Local sim sim
Busca com Retrocesso Inteligente
sim sim
Rede de Tarefas Hierarquicas
sim não
Algebra Temporal de Intervalos
sim sim
Como pode ser observado, quase todas as técnicas podem ser aplicadas,
porém devido a restrições normalmente temporais (devido as buscas
exaustivas), ou seja, devido ao fato de levarem muito tempo encontrar a
solução, elas acabam sendo descartadas. Foram escolhidas duas técnicas que
levam a solução do problema de forma mais rápida que as demais para fazer a
modelagem e serem comparadas entre si, a Propagação de Restrições e a
Álgebra Temporal de Intervalos.
Com base nos estudos anteriores sabe-se que a Álgebra Temporal de
Intervalos é uma melhoria da Propagação de Restrições, sendo assim, pode-se
adiantar que será a escolhida para solucionar o PFI. O capítulo a seguir irá
explicar detalhadamente as razões pelas quais essa técnica é mais adequada.
81
6.2.1. Modelagem do PFI Aplicando Propagação de Restrições
Tendo concluído o estudo das possíveils técnicas para serem utilizadas na
modelagem do PFI e de como seria o comportamento deste componente,
pode-se modelar o Priorizador de Focos de Incêndios em CSP da seguinte
maneira:
<X,D,C>, onde X representa as variáveis, D representa o domínio das variáveis
e C representa as restrições do modelo.
Assim as variáveis são:
a) ‘ti’: tempo inicial, ou seja, tempo quando a câmera passa a imagear;
b) ‘tf’: tempo final, ou seja, tempo quando a câmera para de imagear;
c) ‘a’: ângulo que representa a posição em que a câmera deve estar
quando for imagear;
d) ‘i’: imagear, ou seja, define se será imageado ou não;
e) ‘p’: importância que representa o quanto uma área é mais importante
que a outra.
Os domínios são:
a) tanto para ‘ti’ quanto para ‘tf’, são números inteiros positivos
compreendidos entre 0 e 6000000, pois representam o tempo da
órbita em milissegundos (0<= ti <= tf <= 6000000);
b) para ‘a’ os domínios são inteiros positivos que deverão ser
compreendidos entre -30 e 30, pois representam a região que a
câmera de média resolução cobre (-30 <= a <=30);
c) para ‘i’ o domínio será: imagear, não imagear, imagear parcialmente;
82
d) para ‘p’ são os valores pré-definidos na tabela de áreas de
importância.
Até o momento, o modelo anterior pode ser aplicado com poucas alterações
para todas as técnicas de CSP’s, o que muda é a existência de restrições que
são as regras definidas anteriormente no Modelo de Regras Embarcado.
Com base na modelagem dos dados definida anteriormente, pode-se aplicar
um algoritmo de solução de propagação de restrições para alcançar o objetivo
desejado que é de imagear o maior número possível de focos de incêndio. A
Figura 6.3 e a Figura 6.4 representam o fluxo de um algoritmo capaz de
solucionar esse problema utilizando a técnica de propagação de restrições.
6.2.2. Modelagem do PFI Aplicando a Álgebra Temporal de Intervalos
Como visto anteriormente, o Priorizador de Focos de Incêndios deverá receber
uma lista de objetivos que chegará ordenada com relação ao tempo. Esta
ordenação em relação ao tempo se deve ao fato de a câmera CMR captar os
objetivos sequencialmente enquanto o satélite se movimenta, no decorrer do
tempo.
Para o modelo serão utilizadas as extremidades temporais dos objetivos ti e tf.
No PFI os eventos são atômicos, ou seja, representam um acontecimento
singular, motivo pelo qual se descartou a técnica HTN. Os eventos compostos
são aqueles que encapsulam eventos de mais baixo nível (PASSOS, 2012).
Assim. pode-se utilizar diretamente o algoritmo de Allen sem decompor os
eventos. Para isso basta criar a tabela de transitividade de relações temporais
(Tabela 6.6) para os objetivos recebidos através do algoritmo de inferência de
Allen.
83
Tabela 6.6 – Relações da Álgebra de Allen
Sigla Significado
p Preceedes
m Meets
o Overlaps
f finished_by
c Contains
s Starts
e Equal
sb starts_by
cb During
fb Finishes
ob overlap_by
mb met_by
pb preceed_by
Porém, antes de criar a tabela é necessário que se utilize a técnica de
intervalos de referência, que irá reduzir drasticamente o tamanho da tabela de
transitividade, limitando os dados desta apenas para objetivos que pertençam
ao mesmo intervalo.
Para se definir os intervalos de referência será necessário desenvolver um
algorítmo para criá-los, pois os dados brutos (dados sem processamento) do
modelo não fornecem informações de forma direta que possam ser utilizadas
84
para esse fim. Esse algorítmo localiza os intervalos de referências entre os
objetivos conflitantes e os coloca em uma fila de intervalos de referências.
A criação desse algoritmo é uma das modificações necessárias na técnica para
que ela possa ser utilizada para o PFI, pois esse não tem intervalos de
referências explícitos e precisamos defini-los.
Em seguida, o algoritmo deverá verificar os focos de incêndio, e para cada
intervalo de referência deverá analisar os focos adjacentes e criar a tabelas de
transições com todas as relações de Allen que estes possuírem entre si.
Porém, essas tabelas serão diferentes das tabelas de transição de Allen, pois
elas irão conter apenas informações das relações existentes entre eles e a de
Allen contem todas as relações possíveis. Isso reduz o tamanho da tabela de
transição criada e passa a ser mais uma adaptação da técnica de Allen
adotada para a solução do problema.
Para criar as tabelas de transições é necessária a existência de uma lista de
relações de intervalos que contenha todas as 13 relações possíveis definidas
na técnica de Allen, pois essas são a base da formação da primeira.
Com essas tabelas de transições definidas deverá ser criado um algoritmo com
as regras definidas no modelo de regras embarcado, lembrando que esse
algoritmo é um Algoritmo de Propagação de Restrições, com algumas
adaptações para atender a técnica de álgebra de intervalos temporais.
Porém, a esse algoritmo será adicionado outro diferencial que é a existência de
uma heurística para reduzir o tempo para se encontrar o resultado. A heurística
em questão é a prioridade de cada foco de incêndio. A existência dessa
heurística foi definida anteriormente ao se desenvolver o modelo para o
priorizador utilizando a técnica de propagação de restrições.
Para que a heurística possa ser aplicada é necessária a existência de áreas de
prioridades para o modelo. Essas áreas devem estar armazenadas em uma
85
tabela embarcada existente na arquitetura. Elas poderão ser alteradas a bordo
via um software de solo que envia telecomandos para o satélite com um novo
modelo para substituir o modelo existente.
As imagens a seguir representam o fluxo do algoritmo que resolve esse
modelo, cada uma delas em situações diferentes: a Figura 6.8 (situação A)
representa o tratamento para os objetivos que não estão em conflito e a Figura
6.9 (situação B) para os que se sobrepõem.
Figura 6.8 – Fluxo do Algoritmo de Propagações de Restrições utilizado na solução do Priorizador de Focos de Incêndios, situação A
86
Figura 6.9 - Fluxo do Algoritmo de Propagações de Restrições utilizado na solução do Priorizador de Focos de Incêndios, situação B
87
7 O PRIORIZADOR DE FOCOS DE INCÊNDIOS
Este capítulo visa descrever o Priorizador de Focos de Incêndios, como ele
interage internamente na GOESA, além de descrever como ele deve proceder
quando receber os objetivos do Identificador de Focos de Incêndios e como ele
foi desenvolvido.
7.1. Descrição do Priorizador de Focos de Incêndio
O Priorizador de Focos de Incêndios do SEMAI, desenvolvido nesta pesquisa,
avalia se os objetivos são consistentes e se existem conflitos entre eles. Assim,
ele é o Gerenciador de Objetivos da GOESA para a aplicação proposta.
Quando o PFI receber os objetivos a cumprir ele deverá fazer uma análise
destes buscando por inconsistências ou conflitos entre eles. Caso encontre
algum problema, ele deverá buscar a melhor solução, mesmo que esta envolva
o não atendimento de alguns dos objetivos. Para essa situação a melhor
solução é tentar atender o maior número de objetivos possíveis.
A seguir, apresenta-se uma lista de situações que podem ocorrer entre os
objetivos:
a) Dois objetivos podem ocorrer na sequência, porém com tempo
suficiente entre eles para que ambos possam ser cumpridos;
b) Dois objetivos podem ocorrer na sequência, porém sem tempo
suficiente para atender aos dois;
c) Um objetivo pode ocorrer quando o outro já está previsto para ser
atendido sobrepondo-o. Essa última situação pode ser desdobrada
em várias outras, entre elas estão as situações onde ambos podem
sobrepor-se parcialmente ou ambos podem sobrepor-se totalmente.
Para cada uma dessas situações, o PFI deverá realizar uma tarefa diferente.
Entre as tarefas mais importantes observa-se:
88
a) Caso ambos possam ser atendidos, o PFI deverá atendê-los;
b) Caso ambos comecem na sequência, porém sem tempo suficiente
para atender aos dois, deverá analisar qual objetivo é o mais
importante para atendê-lo, ou ainda, caso a importância seja a mesma
deverá escolher o que movimenta menos a câmera e atendê-lo;
c) Dados os objetivos A, B, nos quais A deve ser atendido antes de B e
B deve ser atendido enquanto o A está sendo atendido, o PFI deverá
analisar a importância de cada um deles e verificar uma das seguintes
soluções: atender apenas o mais importante ou anteder parcialmente
um e totalmente o outro.
Como o leitor pode ter observado, fala-se sobre a importância dos objetivos.
Essa importância é definida pelo usuário dos dados do SEMAI e pela equipe
responsável pelo desenvolvimento da missão. Esses dados deverão estar
armazenados em uma tabela disponível para o PFI e poderão ser alterados
pela equipe de solo através de telecomandos enviados para o satélite.
A escolha da melhor técnica ou algoritmo para a implementação do Priorizador
de Focos de Incêndios depende do Modelo de Regras Embarcado definido
anteriormente. Com base, principalmente, nos dados definidos neste modelo é
que foi escolhida qual a melhor técnica a ser aplicada na solução do problema.
7.2. Solução para o Priorizador de Focos de Incêndios
A solução escolhida para o Priorizador de Focos de Incêndio é Algebra de
Intevalos Temporais. A sequir serão explicados os motivos para a escolha
desta técnica.
O primeiro indício de que essa técnica é a mais adequada é o fato de que ela
trabalha com intervalos de tempo dentro de uma hierarquia temporal, como foi
citado anteriormente.
89
E, quando se fala em foco de incêndio a ser imageado, nos remetemos a tríade
(a,ti,tf) que foi definida no capítulo anterior. Essa tríade representa um foco de
incêndio, como sendo um ângulo ‘a’ que deve ser imageado dentro do intervalo
de tempo que começa em ‘ti’ e termina em ‘tf’. Em outras palavras, um foco de
incêndio está em um intervalo temporal.
Outro ponto importante, e que ainda faz parte do primeiro indício, é que os
focos de incêndio, para a técnica, devem seguir uma ordem, onde o tempo
inicial de um foco deve sempre ser menor ou igual ao de seu posterior, e o PFI
recebe os dados respeitando essa hierarquia.
A Álgebra de Allen engloba todas as possíveis formas em que dois intervalos
de tempos seguidos podem se relacionar e, com isso, torna o algoritmo que a
utilizar completo quando se faz referência em analisar os relacionamentos
entre esses. Essa característica é de grande importância quando se está
procurando algum tipo de conflito entre os focos de incêndio.
A importância dessa característica é grande, pois quando se criou o primeiro
modelo de algoritmo para o Priorizador de Focos de Incêndios foram
analisados muitos pontos que foram imediatamente identificados na tabela de
relacionamento de Allen (Tabela 6.6).
Por fim, outra característica importante é a utilização de um algoritmo de
propagação de restrições para solucionar o problema na técnica de álgebra de
intervalos temporais. Isso porque, ao analisar as outras técnicas de solução de
problemas chegou-se a conclusão que a solução ideal seria a de propagação
de restrições, pois chegaria mais rapidamente e de forma adequada ao
resultado.
Porém, quando Allen aplica intervalos de referência para diminuir a busca da
solução para o algoritmo de propagação de restrições ficou explícito que a
técnica, ao ser aplicada ao problema, é melhor que a propagação de restrições,
pois trata-se de uma melhoria desta.
90
7.3. A Arquitetura do Priorizador de Focos de Incêndios
A Figura 7.1 apresenta a arquitetura do PFI. Na sequência, descrevem-se
seus componentes.
Figura 7.1 - Arquitetura do Priorizador de Focos de Incêndios
O Priorizador de Focos de Incêndio deverá conter um Validador de Objetivos,
uma Tabela Embarcada de Áreas de Prioridade, um Gerador de Prioridades,
um Gerador de Intervalos de Referência, uma Tabela Embarcada da Álgebra
de Allen, um Identificador de Objetivos Viáveis, um Gerador de Restrições, um
Modelo de Regras Embarcado e um Classificador de Objetivos.
Os objetivos recebidos pelo PFI são originados do Identificador de Focos de
Incêndios. Esse componente não foi desenvolvido ainda, ele é uma sugestão
91
possível de pesquisa de doutorado na tese de Kucinskis (2012). Para identificar
os focos de incêndios, o Identificador deverá considerar certas características
do incêndio em termos de tamanho, faixa do espectro, temperatura, etc. Para
simular a recepção dos objetivos o PFI deverá ser capaz de ler uma lista de
objetivos pré-definidos ou digitados pelo usuário.
O PFI deverá possuir um elemento chamado Validador de Objetivos. Este irá
validá-los com relação a coerência quanto ao intervalo de tempo, ou seja, se o
intervalo de tempo é um intervalo válido, por exemplo se o tempo inicial é
menor que o tempo final do intervalo. E, além disso, irá validar com relação ao
ângulo, ou seja, se o ângulo que ele deve ser imageado é um ângulo que a
câmera alcança. Porém, esse módulo é apenas um protótipo e deve ser
melhorado quando for aplicado para uma missão real para que ele possa
validar os objetivos de forma mais adequada.
O PFI possui uma tabela embarcada contendo todas as áreas prioritárias da
missão, a Tabela Embarcada de Áreas de Prioridades. Futuramente, deverá
ser implementado um software de solo para criar essa tabela e enviar via
telecomandos para o SEMAI. Atualmente esses dados são introduzidos no
SEMAI através do software de testes criado para auxiliar sua execução e,
também, automaticamente pelo código fonte do PFI que contém duas tabelas
pré-definidas.
Essa Tabela Embarcada de Áreas de Prioridades pode ser alterada a qualquer
momento, via telecomandos, de acordo com a necessidade dos usuários da
missão. É essa tabela que define quais as áreas de maior interesse para a
missão, pois ele pontua cada área de acordo com sua importância.
Essa tabela foi construída de forma a não precisar de grandes alterações em
sua estrutura quando este for utilizado em outras missões.
O PFI possui o Gerador de Prioridades que faz uso da Tabela Embarcada de
Áreas de Prioridades para classificar cada objetivo recebido de acordo com sua
92
importância para a missão. Esse Gerador de Prioridades é de uso geral e não
necessita de grandes alterações quando utilizado em outras missões.
O PFI possui um Gerador de Intervalos de Referência responsável por
organizar os objetivos conflitantes dentro de um mesmo intervalo de referência,
que é um intervalo que enquadra todos os objetivos que estão se relacionando
de acordo com a álgebra de Allen. Esse elemento da arquitetura também pode
ser considerado um elemento independente da missão, pois também não
necessitaria de grandes alterações para ser adaptado a outra missão.
Ele também possui uma Tabela Embarcada da Álgebra de Allen, contendo
todos os possíveis relacionamentos entre os objetivos. Essa tabela não precisa
ser alterada quando o PFI for adaptado para outra missão.
Outro módulo da arquitetura do PFI é o Gerador de Restrições, que utiliza os
dados do Modelo Embarcado da Álgebra de Allen, para adicionar restrições
encontradas entre objetivos conflitantes a esses objetivos. Esse módulo
também não necessita de grandes alterações quando utilizado para outras
missões.
O módulo Classificador de Objetivos pode ser considerado o coração do PFI,
pois é o responsável pela união das informações obtidas de todos os outros
módulos, seguindo regras definidas pela técnica da Álgebra de Allen. Ele não
precisa ser alterado para outras missões, pois não possui regras específicas de
uma missão e sim regras da técnica aplicada.
Outro módulo, o Modelo de Regras Embarcado, é totalmente dependente da
missão, pois ele é gerado de acordo com as regras definidas pelos
responsáveis pela missão juntamente com seus usuários. Ele é responsável
por definir qual objetivo será atendido ou não. Entre essas regras tem-se
tamanho do incêndio, temperatura, propagação, e as áreas de importância.
Algumas dessas regras são configuráveis através de telecomandos e outras
devem ser fixas, porém isso dependerá de como a missão foi definida.
93
E, por fim, possui o Indentificador de Objetivos Viáveis que deverá selecionar
apenas os objetivos que devem ser imageados e os enviar para o serem
imageados descartando os demais. Então esses objetivos serão atendidos.
7.4. O Funcionamento do Priorizador de Focos de Incêndios
Quando o PFI receber a lista de objetivos , seu Validador de Objetivos deverá
validar cada um, retirando da lista todos os que são inválidos.
Então, o Classificador de Objetivos deverá chamar o Gerador de Prioridades
que deverá consultar a Tabela Embarcada de Áreas de Prioridades e classificar
cada objetivo recebido de acordo com sua prioridade.
Na sequência, o Classificador de Objetivos deverá chamar o Gerador de
Intervalos de Referência que irá criar os intervalos de referência necessários
para os objetivos recebidos.
A seguir, o Gerador de Restrições é acionado pelo Classificador de Objetivos e
irá consultar a Tabela Embarcada da Álgebra de Allen e criar, com base nesta,
as restrições para todos objetivos recebidos.
O próximo passo do Classificador de Objetivos é consultar o Modelo de Regras
Embarcado para classificar quais objetivos serão imageados e quais serão
excluídos.
Finalmente, o Identificador de Objetivos Viáveis é chamado para enviar os
objetivos a serem imageados para serem atendidos e descartar os demais,
finalizando a tarefa do Priorizador de Focos de Incêndios.
94
95
8 EXECUÇÃO E RESULTADOS DO USO DO MODELO EMBARCADO
APLICADO AO SEMAI COM O PRIORIZADOR DE FOCOS DE
INCÊNDIOS
Neste capítulo serão demonstradas algumas execuções do SEMAI na
arquitetura da GOESA para a missão M2AI.
8.1. Recursos Utilizados
Para a execução deste trabalho, foram utilizados os seguintes recursos:
a) código fonte da GOESA, no qual foram inseridos o modelo embarcado
formando o SEMAI e o código fonte do Priorizador de Focos de
Incêndios;
b) documentação da GOESA: a tese de Kucinskis (KUCINSKIS, 2012c) e
o Manual do Desenvolvedor da GOESA (KUCINSKIS, 2012a),
utilizados para auxiliar em cada passo da adequação da missão a
GOESA e na padronização do código fonte;
c) os estudos de caso apresentados neste tópico foram executados em
um simulador do processador ERC32, o SPARC Instruction Simulator
(SIS);
d) interface com o operador, do tipo menu, criada durante o
desenvolvimento da GOESA para auxiliar na execução do código.
Além disso, essa interface foi alterada para que pudessem ser
realizadas configurações para o Priorizador de Focos de Incêndio
(Figura 8.1).
96
Figura 8.1 – Interface da GOESA para Configuração do Priorizador de Focos de Incêndios
8.2. Configurações para Execução da GOESA no Simulador
Para a execução da GOESA, utilizando ou não, o Priorizador de Focos de
Incêndios, deve ser utilizada a interface com o operador citada no item anterior.
Ao executá-lo, em um determinado momento aparecerá a imagem da Figura
8.1 que apresenta as possibilidades de configuração para testes da GOESA
com o PFI.
Dentre essas configurações, encontra-se a opção Define Parameters. Essa
opção permite ao operador definir o tipo de priorização que será feita. Em
outras palavras, o PFI foi desenvolvido para poder definir os focos de incêndios
a serem imageado seguindo três Modelos de Regras Embarcado. São as
seguintes opções: Partial Imaging, Areas Larger e Partial Imaging with Return.
Apesar de parecer que durante a dissertação apenas um modelo foi descrito,
pode-se dizer que os três modelos foram descritos, pois tal descrição chegou
até o momento em que todos são idênticos. A diferença entre eles não está
evidente por estar apenas no código fonte do sistema.
Partial Imaging é quando é encontrado um conflito entre os focos de incêndio e
o priorizador define por imagear a parte inicial do primeiro e o próximo inteiro. A
opção Areas Larger é quando o priorizador irá escolher o foco de incêndio que
possui a maior área a ser imageada, ou seja, o maior foco de incêndio. A
terceira opção, Partial Imaging with Return, é parecida com a primeira, pois
também imageia o início do primeiro, e o próximo inteiro, porém após imagear
97
o próximo, quando houver tempo suficiente para excluir ele retorna para o final
do primeiro e imageia mais um trecho.
A opção Add Priority Table, simula o recebimento do modelo embarcado das
prioridades que são definidas pelos operadores e usuários em solo. Porém, até
o momento ela oferece a opção de leitura de dois conjuntos de prioridades pré-
cadastrados e da leitura dessas áreas através do teclado.
A opção Read Goals faz o papel do Identificador de Focos de Incêndios,
entretanto, como este ainda não existe, essa opção fornece a possibilidade de
ler três conjuntos de objetivos pré-cadastrados e, também, a opção de leitura
desses objetivos através do teclado.
A opção Show All Goals permite que, antes de enviar para o planejador os
objetivos a serem imageados, o PFI mostre todos objetivos que ele recebeu
com várias informações necessárias para a compreensão de sua decisão final.
A opção Show All Steps permite que o PFI mostre todos os passos e
classificações que ele realizou até definir quais os objetivos serão imageados
efetivamente.
A opção Don’t use Manager Goals permite a execução da GOESA sem utilizar
o Priorizador de Focos de Incêndios.
E a opção Continue é apenas para dar continuidade na execução da GOESA.
Neste momento cabe ressaltar que uma execução adequada da GOESA
sempre deve ter o Priorizador de Focos de Incêndios e não deve mostrar
nenhum tipo de passo e informações sobre as decisões do PFI. Essas opções
apenas existem como auxiliares para compreensão das tomadas de decisão
deste.
98
8.3. Estudos de Caso
8.3.1. Estudo de Caso 3 – Conflito nos Momentos Iniciais dos
Imageamentos
Para esse estudo de caso serão enviados objetivos conflitantes para analisar o
comportamento do SEMAI com o Priorizador de Focos de Incêndios. O objetivo
deste estudo de caso é testar o conflito relacionado ao momento inicial de cada
objetivo. Cabe ressaltar que são os mesmos objetivos utilizados no Estudo de
Caso 2 sem o PFI, assim reforça o entendimento da importância do Priorizador
de Focos de Incêndios para o SEMAI.
A seguir, tem-se a imagem (Figura 8.2) mostrando os objetivos dispostos no
decorrer do tempo com relação ao ângulo em que se encontram e as áreas de
importância utilizadas para este teste que são as mesmas da Tabela 8.2 (são
as áreas destacadas em azul, amarelo e laranja):
99
Figura 8.2 - Objetivos do Estudo de Caso 3 - Conflito nos Momentos Iniciais dos
Imageamentos
Os objetivos desse estudo de caso estão representados na Tabela 8.1 a seguir:
100
Tabela 8.1 – Objetivos do Estudo de Caso 3 - Conflito nos Momentos Iniciais dos
Imageamentos
Objetivo Tempo inicial Tempo final Ângulo
0 100000 120000 0
1 200000 250000 -7
2 210000 245000 0
3 220000 230000 5
4 400000 450000 -7
5 410000 440000 4
6 413000 430000 8
7 600000 650000 -7
8 603000 640000 0
9 620000 630000 8
Para essa execução o SEMAI deve ser inicializado com a seguinte
configuração: a CAR deve iniciar suas atividades no ângulo ‘0’, estar
configurada como desligada e sem energia. O tempo da sessão de inferência,
ou seja, tempo de planejamento de atendimento aos objetivos, deve ser de 0
até 999999 milissegundos.
Além disso, é necessário que sejam cadastradas as áreas de importância para
a execução desse caso. As áreas de prioridades são as áreas da Tabela 8.2 a
seguir.
101
Tabela 8.2 – Áreas de Prioridades para a Execução do Estudo de Caso 3 - Conflito
nos Momentos Iniciais dos Imageamentos
Área ai Af Ti Tf P
0 -30 30 100000 120000 1
1 -30 30 200000 240000 2
2 -30 30 240000 500000 3
3 -30 5 600000 650000 4
4 6 30 600000 650000 5
O algoritmo criado para o Priorizador de Focos de Incêndios classificará os
objetivos recebidos de acordo com a seguinte Tabela 8.3. Esses dados podem
ser visualizados através do software criado para testes da GOESA que será
adaptado para possuir essa funcionalidade.
Tabela 8.3 – Tabela de Classificação dos Objetivos feita pelo Priorizador de Focos de
Incêndios - Estudo de Caso 3 - Conflito nos Momentos Iniciais dos
Imageamentos
Objetivos Restrições Intervalo de Referência
Prioridade
0 p 1 1
1 o,pb,c 2 3
2 o,c,ob,cb 2 3
3 p,ob,cb 2 2
4 c,pb,o 3 3
5 o,c,cb,ob 3 3
6 p,ob,cb 3 3
7 o,c,pb 4 4
8 o,c,ob,cb 4 4
9 ob,cb 4 5
102
Parte das informações da tabela anterior (Tabela 8.3) são autoexplicativas,
porém, algumas informações precisam ser melhor detalhadas. A seguir têm-se
as explicações necessárias para o entendimento desta.
O campo ‘Restrições’ são as primeiras restrições atribuídas aos objetivos,
porém cabe ressaltar que conforme os objetivos são excluídos, essas
restrições são alteradas para seus vizinhos (ou seja, para o objetivo anterior e
para o posterior ao objetivo excluído), pois agora esses se relacionam entre si.
A Tabela 6.6, explica o significado de cada letra cadastrada neste campo, e
cabe destacar referem-se às relações da Álgebra de Allen.
O campo ‘Intervalo de Referência’ e o campo ‘Prioridade’ representam o
intervalo de referência ao qual aquele objetivo pertence e em qual área de
prioridade este objetivo está respectivamente.
Como resultado dessas classificações tem-se a Tabela 8.4 a seguir que indica
quais objetivos devem ser imageados e quais não devem.
Tabela 8.4 – Tabela que mostra quais objetivos serão imageados para o - Estudo de
Caso 3 - Conflito nos Momentos Iniciais dos Imageamentos
Objetivos Imagear Parcial Imagear Área Maior Imagear Parcial com Retorno
0 1 1 1
1 2 1 2
2 1 2 1
3 2 2 2
4 2 1 2
5 1 2 1
6 2 2 2
7 2 2 2
8 2 2 2
9 1 1 1
103
“Imagear Parcial’, é o campo que mostra se o objetivo será ou não imageado
para excluir quando o PFI estiver configurado para imagear parcialmente. O
campo “Imagear Área Maior” fornece o mesmo dado, porém com o PFI
configurado para imagear a área maior. O campo ‘Imagear Parcial com
Retorno’ indica que o PFI está configurado para imagear parcialmente e
retornar sempre que possível para imagear a maior quantidade de informações
possíveis.
Ao executar o SEMAI para esses objetivos ele realiza as ações detalhadas na
Tabela 8.5 atendendo aos dois objetivos corretamente.
Tabela 8.5 - Ações realizadas pelo SEMAI para atender o Caso de Estudo 3 - Conflito
nos Momentos Iniciais dos Imageamentos
Tempo Ação timeline afetada valor resource R
Consumer
R value
0 start sessão
1 - pss_timeline_camera
powerlinestatus
0 - switched_
off
1 - pss_resourc
e_power 0 0
2 - camera_timeline_mo
de
0 - camera_no_power
3 - camera_timeline_mir
rorposition 30 (0)
4 - camera_timeline_mo
ving 0
73000 1 -
pass_action_switchoncameraline
1 - pss_timeline_camera
linestatus
1 - switched_
on 2 -
camera_timeline_mode
1 - camera_power_off
Continua
104
Tabela 8.5 - Continuação
74000 3 -
camera_action_poweron
2 - camera_timeline_mo
de
2 - camera_st
and_by
1 - pss_resourc
e_power 0 56
99000 5 -
camera_action_startimaging
2 - camera_timeline_mo
de
3 - camera_imaging
1 - pss_resourc
e_power 0 70
122000 6 -
camera_action_stopimaging
2 - camera_timeline_mo
de
2 - camera_st
and_by
1 - pss_resourc
e_power 0 56
209000 5 -
camera_action_startimaging
2 - camera_timeline_mo
de
3 - camera_imaging
1 - pss_resourc
e_power 0 70
247000 6 -
camera_action_stopimaging
2 - camera_timeline_mo
de
2 - camera_st
and_by
1 - pss_resourc
e_power 0 56
408600
8 - camera_action_movemirrorrig
th
3 - camera_timeline_m
irrorposition 31(1)
1 - pss_resource_power
0 58
4 - camera_timeline_m
oving 1 - true
1 - pss_resource_power
0 58
408699 endogeno 4 -
camera_timeline_moving
0 - false 1 -
pss_resource_power
0 56
...
409000 5 -
camera_action_startimaging
2 - camera_timeline_mo
de
3 - camera_imaging
1 - pss_resourc
e_power 0 70
442000 6 -
camera_action_stopimaging
2 - camera_timeline_mo
de
2 - camera_st
and_by
1 - pss_resourc
e_power 0 56
Continua
105
Tabela 8.5 - Conclusão
618600
8 - camera_action_movemirrorrig
th
3 - camera_timeline_m
irrorposition 35(5)
1 - pss_resource_power
0 58
4 - camera_timeline_m
oving 1 - true
1 - pss_resource_power
0 58
618699 endogeno 4 -
camera_timeline_moving
0 - false 1 -
pss_resource_power
0 56
...
619000 5 -
camera_action_startimaging
2 - camera_timeline_mo
de
3 - camera_imaging
1 - pss_resourc
e_power 0 70
632000 6 -
camera_action_stopimaging
2 - camera_timeline_mo
de
2 - camera_st
and_by
1 - pss_resourc
e_power 0 56
A seguir tem-se uma breve explicação da Tabela 8.5 anterior.
Para melhor atender a esses objetivos, inicialmente o SEMAI inicializa uma
sessão no tempo ‘0’. Neste momento a CAR deve estar desligada, apontando
para a posição de 90 graus, ou seja, para o NADIR.
No tempo 73000 milissegundos, a CAR dever estar energizada, porém ainda
desligada.
No tempo 74000 milissegundos, a CAR deverá ser ligada e colocada no modo
stand_by, modo em que fica aguardando instruções sem executar nenhuma
ação.
No instante 99000 milissegundos, a CAR começa a imagear.
No instante 122000 milissegundos, a CAR para de imagear e volta a ficar em
estado de stand_by.
106
No instante 209000 milissegundos, a CAR começa a imagear.
No instante 247000 milissegundos, a CAR para de imagear e volta a ficar em
estado de stand_by.
No tempo 408600 milissegundos, a CAR deverá começar a se mover e a cada
100 milissegundos o evento endógeno deverá garantir que ela para de se
mover, fazendo com que ela se mova 1 grau a cada 100 milissegundos. Esse
evento deverá ocorrer até que a CAR chegue ao ângulo de 4 graus desejado.
Essa repetição está representada pelo símbolo ‘...’ na tabela.
No instante 409000 milissegundos, a CAR começa a imagear.
No instante 4422000 milissegundos, a CAR para de imagear e volta a ficar em
estado de stand_by.
No instante 618600 milissegundos, a CAR começa a se movimentar até que
atinja o ângulo de 8 graus desejado.
No tempo 619000 milissegundos, a CAR começa a imagear novamente.
E finalmente, no tempo 632000 milissegundos, a CAR para de imagear e fica
aguardando novos objetivos, por isso ela não será desligada e permanecendo
em stand_by.
Analisando o comportamento do SEMAI para a M2AI, observa-se que o SEMAI
realiza as atividades conforme demonstrado na Figura 5.3. Ela inicialmente é
energizada, depois ligada e colocada em modo de stand_by, depois é
movimentada até o ângulo desejado, começa a imagear e depois para de
imagear. Dois detalhes importantes são que a CAR recebe o comando para
imagear 1000 milissegundos antes do momento recebido e somente para de
imagear 2000 milissegundos depois do tempo desejado. Esta é uma
característica que já existia antes do Priorizador de Focos de Incêndios.
107
8.3.2. Estudo de Caso 4 – Validando Objetivos
Para esse estudo de caso serão enviados objetivos conflitantes diferentes do
anterior, pois este tem como objetivo validar conflitos relacionados ao seu
período de ocorrência.
A seguir tem-se a imagem (Figura 8.3) mostrando os objetivos dispostos no
decorrer do tempo com relação ao ângulo em que se encontram e as áreas de
importância utilizadas neste teste (Tabela 8.2):
Figura 8.3 - Objetivos do Estudo de Caso 4 - Validando Objetivos
Os objetivos desse estudo de caso estão representados na Tabela 8.6 a seguir:
108
Tabela 8.6 – Objetivos do Estudo de Caso 4 - Validando Objetivos
Anterior Tempo inicial Tempo final Ângulo
0 600000 650000 -7
1 603000 640000 0
2 620000 645000 8
3 700000 750000 -7
4 703000 760000 0
5 720000 730000 8
6 800000 850000 -7
7 803000 860000 0
8 820000 870000 8
Para essa execução, o SEMAI deve ser inicializado com a seguinte
configuração: a CAR deve estar configurada como desligada e sem energia.
Ela deve iniciar suas atividades no ângulo ‘0’. O tempo da sessão de inferência,
ou seja, tempo de planejamento de atendimento aos objetivos, deve ser de 0
até 999999 milissegundos.
Além disso, é necessário que sejam cadastradas as áreas de importância para
a execução desse caso, as quais serão as mesmas apresentadas na Tabela
8.2.
O algoritmo criado para o Priorizador de Focos de Incêndios classificará os
objetivos recebidos de acordo com a seguinte Tabela 8.7. Esses dados podem
ser visualizados através do software criado para testes da GOESA que foi
adaptado para possuir essa funcionalidade.
109
Tabela 8.7 – Tabela de Classificação dos Objetivos feita pelo Priorizador de Focos de
Incêndios - Validando Objetivos
Anterior Restrições Intervalo de Referência Prioridade
0 o,c 1 4
1 o,ob,cb 1 4
2 p,ob 1 5
3 o,pb 2 0
4 o,c,ob 2 0
5 p,ob,cb 2 0
6 o,pb 3 0
7 o,ob 3 0
8 ob 3 0
A seguir, têm-se as explicações necessárias para o entendimento deste teste.
Como resultado dessas classificações, tem-se a Tabela 8.8 a seguir que indica
quais objetivos devem ser imageados e quais não devem.
Tabela 8.8 – Tabela que mostra quais objetivos serão imageados para o Estudo de
Caso 4 - Validando Objetivos
Anterior Imagear Parcial Imagear Área Maior Imagear Parcial com Retorno
0 2 2 2
1 2 2 2
2 1 1 1
3 2 2 2
4 1 1 1
5 2 2 2
6 2 2 2
7 1 1 1
8 2 2 2
110
Ao executar o SEMAI para esses objetivos, ele realiza as ações detalhadas na
Tabela 8.9 atendendo os dois objetivos corretamente.
Tabela 8.9 - Ações realizadas pelo SEMAI para atender o Caso de Estudo 4 -
Validando Objetivos
Lista de Ocorrências
Tempo Ação timeline afetada valor Resource R
Consumer
R value
0 start sessão
1 - pss_timeline_camera
powerlinestatus
0 - switched_
off
1 - pss_resourc
e_power 0 0
2 - camera_timeline_mo
de
0 - camera_no_power
3 - camera_timeline_mir
rorposition 30 (0)
4 - camera_timeline_mo
ving 0
593000
1 - pass_action_switchoncamera
line
1 - pss_timeline_camera
linestatus
1 - switched_
on 2 -
camera_timeline_mode
1 - camera_power_off
594000 3 -
câmera_action_poweron
2 - camera_timeline_mo
de
2 - camera_st
and_by
1 - pss_resourc
e_power 0 56
Continua
111
Tabela 8.9 - Continuação
618200
8 - camera_action_movemirror
rigth
3 - camera_timeline_m
irrorposition 31(1)
1 - pss_resource_power
0 58
4 - camera_timeline_m
oving 1 – true
1 - pss_resource_power
0 58
618299 endogeno 4 -
camera_timeline_moving
0 – false 1 -
pss_resource_power
0 56
...
619000
5 - camera_action_startimagin
g
2 - camera_timeline_mo
de
3 - camera_imaging
1 - pss_resourc
e_power 0 70
647000
6 - camera_action_stopimagin
g
2 - camera_timeline_mo
de
2 - camera_st
and_by
1 - pss_resourc
e_power 0 56
701200
7 – câmera_action_movemirror
left
3 - camera_timeline_m
irrorposition 37(7)
1 - pss_resource_power
0 58
4 - camera_timeline_m
oving 1 – true
1 - pss_resource_power
0 58
701299 endogeno 4 -
camera_timeline_moving
0 – false 1 -
pss_resource_power
0 56
...
702000
5 - camera_action_startimagin
g
2 - camera_timeline_mo
de
3 - camera_imaging
1 - pss_resourc
e_power 0 70
762000
6 - camera_action_stopimagin
g
2 - camera_timeline_mo
de
2 - camera_st
and_by
1 - pss_resourc
e_power 0 56
Continua
112
Tabela 8.9 - Conclusão
802000
5 - camera_action_startimagin
g
2 - camera_timeline_mo
de
3 - camera_imaging
1 - pss_resourc
e_power 0 70
862000
6 - camera_action_stopimagin
g
2 - camera_timeline_mo
de
2 - camera_st
and_by
1 - pss_resourc
e_power 0 56
A seguir, tem-se uma breve explicação da Tabela 8.9 anterior.
Para melhor atender a esses objetivos inicialmente o SEMAI inicializou uma
sessão no tempo ‘0’. Neste momento, a CAR deve estar desligada, apontando
para a posição de 90 graus, ou seja, para o NADIR.
No tempo 593000 milissegundos, a CAR dever estar energizada, porém ainda
desligada.
No tempo 594000 milissegundos; a CAR deverá ser ligada e colocada no modo
stand_by, modo em que fica aguardando instruções sem executar nenhuma
ação.
No tempo 618200 milissegundos, a CAR deverá começar a se mover e a cada
100 milissegundos o evento endógeno deverá garantir que ela pare de se
mover, fazendo com que ela se mova 1 grau a cada 100 milissegundos. Esse
evento deverá ocorrer até que a CAR atinja o ângulo de 8 graus desejado.
Essa repetição está representada pelo símbolo ‘...’ na tabela.
No instante 619000 milissegundos, a CAR começa a imagear.
No instante 647000 milissegundos, a CAR para de imagear e volta a ficar em
estado de stand_by.
113
No tempo 701200 milissegundos, a CAR deverá começar a se mover e a cada
100 milissegundos o evento endógeno deverá garantir que ela para de se
mover, fazendo com que ela se mova 1 grau a cada 100 milissegundos. Esse
evento deverá ocorrer até que a CAR chegue ao ângulo de 0 grau desejado.
Essa repetição está representada pelo símbolo ‘...’ na tabela.
No instante 702000 milissegundos, a CAR começa a imagear.
No instante 762000 milissegundos, a CAR para de imagear e volta a ficar em
estado de stand_by.
No tempo 802000 milissegundos, a CAR começa a imagear novamente.
E, finalmente no tempo 862000 milissegundos, a CAR para de imagear e fica
aguardando novos objetivos, por isso ela não será desligada e ficará em
stand_by.
Analisando o comportamento do SEMAI para a M2AI, observa-se que o SEMAI
realiza as atividades conforme a Figura 5.3, a CAR inicialmente é energizada,
depois ligada e colocada em modo de stand_by, posteriormente é
movimentada até o ângulo desejado, começa a imagear e depois para de
imagear.
8.3.3. Estudo de Caso 5 – Validação de Objetivos com Relação a Período
de Ocorrência
Para esse estudo de caso serão enviados objetivos conflitantes diferentes do
anterior, pois este tem como objetivo validar conflitos relacionados ao seu
período de ocorrência.
A seguir, tem-se a imagem (Figura 8.4) mostrando os objetivos dispostos no
decorrer do tempo com relação ao ângulo em que se encontram e as áreas de
importância utilizadas neste teste (Tabela 8.2):
114
Figura 8.4 - Objetivos do Estudo de Caso 5 - Validação de Objetivos com
Relação a Período de Ocorrência
Os objetivos desse estudo de caso estão representados na Tabela 8.10 a
seguir:
115
Tabela 8.10 – Objetivos do Estudo de Caso 5 - Validação de Objetivos com Relação a
Período de Ocorrência
Objetivos Tempo inicial Tempo final Ângulo
0 100000 120000 0
1 150000 260000 -7
2 200000 250000 0
3 210000 245000 5
4 220000 230000 8
5 400000 450000 -7
6 400000 450000 4
7 413000 460000 8
8 600000 650000 -7
9 603000 640000 10
10 620000 645000 8
11 700000 750000 -7
12 703000 720000 0
13 720000 730000 8
Para essa execução o SEMAI deve ser inicializado com a seguinte
configuração: a CAR deve iniciar suas atividades no ângulo ‘0’, estar
configurada como desligada e sem energia. O tempo da sessão de inferência,
ou seja, tempo de planejamento de atendimento aos objetivos, deve ser de 0
até 999999 milissegundos.
Além disso, é necessário que sejam cadastradas as áreas de importância para
a execução desse caso que serão as mesmas da Tabela 8.2.
O algoritmo criado para o Priorizador de Focos de Incêndios classificará os
objetivos recebidos de acordo com a seguinte Tabela 8.11. Esses dados podem
ser visualizados através do software criado para testes da GOESA que foi
adaptado para possuir essa funcionalidade.
116
Tabela 8.11 – Tabela de Classificação dos Objetivos feita pelo Priorizador de Focos de
Incêndios - Validação de Objetivos com Relação a Período de
Ocorrência
Objetivos Restrições Intervalo de Referência Prioridade
0 p 1 1
1 o,c,pb 2 3
2 o,c,ob,cb 2 3
3 o,c,ob,cb 2 3
4 p,ob,cb 2 2
5 o,fb,s,e,pb 3 3
6 o,ob,e,f,sb 3 3
7 p,ob 3 3
8 o,c,pb 4 4
9 o,ob,cb 4 5
10 p,ob 4 5
11 o,c,pb 5 0
12 m,ob,cb 5 0
13 mb 5 0
A seguir, têm-se as explicações necessárias para o entendimento deste teste.
Como resultado dessas classificações, tem-se a Tabela 8.12 a seguir que
indica quais objetivos devem ser imageados e quais não devem.
117
Tabela 8.12 – Tabela que mostra quais objetivos serão imageados para o Estudo de
Caso 5 - Validação de Objetivos com Relação a Período de Ocorrência
Objetivos Imagear Parcial Imagear Área Maior Imagear Parcial É parcial de qual
0 2 2 2
1 2 1 2
2 1 2 1
3 2 2 2
4 2 2 2
5 2 2 2
6 1 1 1
7 2 2 2
8 2 2 2
9 2 1 2
10 1 2 1
11 2 1 2 20
12 1 2 1
13 2 2 2
Ao executar o SEMAI para esses objetivos ele realiza as ações detalhadas na
Tabela 8.13 atendendo os dois objetivos corretamente.
118
Tabela 8.13 - Ações realizadas pelo SEMAI para atender o Caso de Estudo 5 -
Validação de Objetivos com Relação a Período de Ocorrência
Lista de Ocorrências
Tempo Ação timeline afetada valor resource R
Consumer
R value
0 start sessão
1 - pss_timeline_camera
powerlinestatus
0 - switched_
off
1 - pss_resourc
e_power 0 0
2 - camera_timeline_mo
de
0 - camera_no_power
3 - camera_timeline_mir
rorposition 30 (0)
4 - camera_timeline_mo
ving 0
173000 1 -
pass_action_switchoncameraline
1 - pss_timeline_camera
linestatus
1 - switched_
on 2 -
camera_timeline_mode
1 - camera_power_off
174000 3 -
camera_action_poweron
2 - camera_timeline_mo
de
2 - camera_st
and_by
1 - pss_resourc
e_power 0 56
199000 5 -
camera_action_startimaging
2 - camera_timeline_mo
de
3 - camera_imaging
1 - pss_resourc
e_power 0 70
252000 6 -
camera_action_stopimaging
2 - camera_timeline_mo
de
2 - camera_st
and_by
1 - pss_resourc
e_power 0 56
Continua
119
Tabela 8.13 - Continuação
252000 6 -
camera_action_stopimaging
2 - camera_timeline_mo
de
2 - camera_st
and_by
1 - pss_resourc
e_power 0 56
398600
8 - camera_action_movemirrorrig
ht
3 - camera_timeline_mir
rorposition 31(1)
1 - pss_resourc
e_power 0 58
4 - camera_timeline_m
oving 1 - true
1 - pss_resource_power
0 58
398699 endogeno 4 -
camera_timeline_moving
0 - false 1 -
pss_resource_power
0 56
...
399000 5 -
camera_action_startimaging
2 - camera_timeline_mo
de
3 - camera_imaging
1 - pss_resourc
e_power 0 70
452000
6 - camera_action_stopimaging
2 - camera_timeline_mo
de
2 - camera_st
and_by
1 - pss_resourc
e_power 0 56
618600
8 - camera_action_movemirrorrig
ht
3 - camera_timeline_mir
rorposition 35(5)
1 - pss_resourc
e_power 0 58
4 - camera_timeline_m
oving 1 - true
1 - pss_resourc
e_power 0 58
618699 endogeno 4 -
camera_timeline_moving
0 - false 1 -
pss_resource_power
0 56
...
Continua
120
Tabela 8.13 – Conclusão
619000 5 -
camera_action_startimaging
2 - camera_timeline_mo
de
3 - camera_imaging
1 - pss_resourc
e_power 0 70
647000 6 -
camera_action_stopimaging
2 - camera_timeline_mo
de
2 - camera_st
and_by
1 - pss_resourc
e_power 0 56
701200
7 - camera_action_movemirrorlef
t
3 - camera_timeline_mir
rorposition 37(7)
1 - pss_resourc
e_power 0 58
4 - camera_timeline_m
oving 1 - true
1 - pss_resourc
e_power 0 58
701299 endogeno 4 -
camera_timeline_moving
0 - false 1 -
pss_resource_power
0 56
...
702000 5 -
camera_action_startimaging
2 - camera_timeline_mo
de
3 - camera_imaging
1 - pss_resourc
e_power 0 70
722000 6 -
camera_action_stopimaging
2 - camera_timeline_mo
de
2 - camera_st
and_by
1 - pss_resourc
e_power 0 56
A seguir, tem-se uma breve explicação da Tabela 8.13 anterior.
Para melhor atender a esses objetivos, inicialmente o SEMAI inicializou uma
sessão no tempo ‘0’. Neste momento, a CAR deve estar desligada, apontando
para a posição de 90 graus, ou seja, para o NADIR.
No tempo 173000 milissegundos, a CAR dever estar energizada, porém ainda
desligada.
121
No tempo 174000 milissegundos, a CAR deverá ser ligada e colocada no modo
stand_by, modo em que fica aguardando instruções sem executar nenhuma
ação.
No instante 199000 milissegundos, a CAR começa a imagear.
No instante 252000 milissegundos, a CAR para de imagear e volta a ficar em
estado de stand_by.
No tempo 398600 milissegundos, a CAR deverá começar a se mover e cada
100 milissegundos o evento endógeno deverá garantir que ela pare de se
mover, fazendo com que ela se mova 1 grau a cada 100 milissegundos. Esse
evento deverá ocorrer até que a CAR chegue ao ângulo de 4 graus desejado.
Essa repetição está representada pelo símbolo ‘...’ na tabela.
No instante 399000 milissegundos, a CAR começa a imagear.
No instante 452000 milissegundos, a CAR para de imagear e volta a ficar em
estado de stand_by.
No tempo 618600 milissegundos, a CAR deverá começar a se mover e a cada
100 milissegundos o evento endógeno deverá garantir que ela pare de se
mover, fazendo com que ela se mova 1 grau a cada 100 milissegundos. Esse
evento deverá ocorrer até que a CAR chegue ao ângulo de 8 graus desejado.
Essa repetição está representada pelo símbolo ‘...’ na tabela.
No tempo 619000 milissegundos, a CAR começa a imagear novamente.
No instante 647000 milissegundos, a CAR para de imagear e volta a ficar em
estado de stand_by.
No tempo 701200 milissegundos, a CAR deverá começar a se mover e cada
100 milissegundos o evento endógeno deverá garantir que ela pare de se
mover, fazendo com que ela se mova 1 grau a cada 100 milissegundos. Esse
122
evento deverá ocorrer até que a CAR chegue ao ângulo de 0 grau desejado.
Essa repetição está representada pelo símbolo ‘...’ na tabela.
No tempo 702000, a CAR começa a imagear novamente.
E finalmente, no tempo 722000 milissegundos a CAR para de imagear e fica
aguardando novos objetivos, por isso ela não será desligada permanecendo
em stand_by.
Analisando o comportamento do SEMAI, observa-se que ele realiza as
atividades conforme a Figura 5.3. Inicialmente é energizada, depois ligada e
colocada em modo de stand_by, posteriormente é movimentada até o ângulo
desejado, começa a imagear e depois para de imagear.
123
9 CONCLUSÃO
Buscando trazer melhorias para o monitoramento de incêndios e queimadas
realizado dentro do INPE, essa pesquisa traz a ideia de uma missão hipotética,
que recebe o nome M2AI, baseada em missões reais e que traz a evolução da
tecnologia de autonomia no espaço introduzida pela GOESA através do
desenvolvimento de um de seus componentes que ainda não estavam
implementados, o Gerenciador de Objetivos.
Para que esse componente fosse desenvolvido foi necessário percorrer alguns
passos que foram descritos de forma detalhada nos capítulos anteriores da
dissertação, tais como criar um sistema, chamado SEMAI, responsável pelo
controle da missão hipotética de monitoramento autônomo de incêndios, criar
um modelo embarcado da missão para o SEMAI, fazer a modelagem dos
dados utilizados pelo gerenciador de objetivos visando a escolha das técnicas
adequadas para seu desenvolvimento, implementar o PFI e demonstrar os
resultados do SEMAI sendo executado com, e sem o PFI.
O desenvolvimento do PFI trouxe um avanço importante para autonomia do
segmento espacial para o Instituto, pois através deste componente, que não
havia sido implementado pela GOESA, foi possível intoruzir a capacidade de
tomar decisões e priorizar objetivos no espaço de forma autônoma, ou seja,
sem a influência do homem nestas decisões e priorizações.
A seguir, tem-se a lista das principais contribuições alcançadas com essa
pesquisa.
9.1. Contribuições da Pesquisa
A principal contribuição foi o avanço da tecnologia de autonomia no espaço
para o INPE através da introdução, para o satélite, da capacidade de priorizar
os objetivos mais importantes tomando a decisão de quais serão imageados e
quais serão descartados. Essa contribuição é resultado do desenvolvimento
124
PFI que habilitou a GOESA com a capacidade de decidir de forma autônoma,
quais os objetivos devem ser cumpridos, evitando situações nas quais ela
receba objetivos impossíveis de serem atendidos.
Para atender a essa contribuição principal foi necessário criar o sistema
SEMAI. Esse sistema, quando embarcado na arquitetura GOESA, possibilita o
controle do satélite para que esse possa atender a missão M2AI. Sendo assim,
esse sistema também é considerado uma contribuição de grande importância
desta pesquisa.
Como citado anteriormente, com o desenvolvimento do PFI pôde-se habilitar a
autonomia no espaço com relação a priorização de objetivos para a GOESA,
pois até o momento ela tinha essa capacidade, mas ainda não podia atender
devido a falta do componente Gerenciador de Objetivos, representado nesta
pesquisa pelo PFI. Com isso, considera-se a introdução de autonomia no
espaço com relação a priorização de objetivos para a GOESA uma outra
contribuição relevante desta pesquisa.
9.2. Status do desenvolvimento do gerenciador de objetivos
O PFI é dependente da missão que está sendo modelada para o SEMAI,
porém no decorrer do desenvolvimento dessa pesquisa procurou-se cria-lo de
forma mais independente possível, sendo assim muitos módulos deste são
independentes da missão.
Por outro lado, o PFI ainda é um protótipo, pois não foi aplicado e validado em
uma missão real. Assim sendo, existe uma possibilidade desses módulos, que
até o momento estão avaliados como independentes da missão, serem
alterados quando aplicados a uma missão destas e essas alterações os tornem
dependentes desta. Porém, o ideal é procurar manter a independência.
A Tabela 9.1 a seguir mostra quais são os módulos do gerenciador de objetivos
e quais são independentes e quais dependentes da missão.
125
Tabela 9.1 – Tabela de Dependência do PFI com a Missão
Elemento Classificação
Validador de Objetivos Independente
Modelo Embarcado de Áreas de Prioridade Dependente
Gerador de Prioridades Independente
Gerador de Intervalos de Referência Independente
Modelo Embarcado da Álgebra de Allen Independente
Identificador de Objetivos Independente
Gerador de Restrições Independente
Modelo de Regras Embarcado Dependente
Classificador de Objetivos Independente
9.3. Trabalhos Futuros
Para que o SEMAI possa ser aplicável a uma missão autônoma é necessário
que se desenvolva o determinador de objetivos, na forma de um Identificador
de Focos de Incêndios, pois este ainda não foi implementado. Durante essa
pesquisa, ele foi simulado através de dados salvos no sistema e através de
dados digitados pelo operador da interface de testes da GOESA.
Tal Identificador de Focos de Incêndios deverá ser capaz de criar
autonomamente objetivos que o SEMAI irá atender e a criação destes é
dependente de um modelo da missão que deverá estar embarcado com a
arquitetura. Devido à complexidade deste trabalho, sugere-se que ele seja
realizado em uma pesquisa de doutorado.
Até o momento, ao avaliarmos os resultados das execuções dos casos de
estudo, notamos que há uma demora significativa para se realizar o
planejamento. A adição de heurísticas ao planejador de objetivos (chamado
neste trabalho de planejador de operações) será capaz de trazer uma melhora
no seu desempenho. Com isso ele passa a atender, de forma mais adequada,
a missão.
126
Atualmente, o planejador de objetivos é independente da missão, porém ao
adicionarmos as heurísticas na busca de um desempenho mais adequado, ele
não será mais independente, pois as heurísticas são definidas através de
particularidades de cada missão. Esse trabalho pode ser realizado pela equipe
de desenvolvimento de software embarcado do INPE, porém não é um trabalho
que resulta em uma pesquisa de mestrado.
É necessário o desenvolvimento de uma ferramenta de solo onde se possa
fazer um cadastro de “áreas de importâncias”. Essas áreas são um tipo de
mapeamento da região em que o satélite irá percorrer onde várias partes
dentro dessa região recebem uma pontuação. Essa pontuação define quais
delas são mais importantes quando comparadas umas com as outras. Essa
ferramenta deve ser capaz de enviar esse cadastro para o satélite via
telecomando, atualizando as informações a bordo. Isso permitirá aos usuários
dos dados do satélite mudar esse cadastro sempre que necessário. Tal
ferramenta deve se integrar às ferramentas existentes no site de
monitoramento de queimadas do INPE, e pode ser desenvolvida visando uma
pesquisa de mestrado.
Também se faz necessário o desenvolvimento do Parser da GOESA que é o
componente responsável pela transformação dos modelos estrutural e
comportamental em um modelo embarcado para a GOESA. Esse foi um dos
trabalhos futuros apontados por Kucinskis em sua tese, até o momento não
realizado. Para a presente pesquisa esse trabalho foi feito manualmente pelo
autor da arquitetura GOESA, devido aos seus profundos conhecimentos desta.
Este é um trabalho que pode ser realizado como pesquisa de mestrado.
9.4. Trabalho Publicado
Como resultado dessa pesquisa foi publicado um artigo que faz uma
explanação da proposta deste trabalho no 5º Workshop em Engenharia e
Tecnologia Espaciais (WETE). Esse artigo é o Gerenciamento de Objetivos
127
para um Sistema Embarcado em Satélite Voltado à Identificação e Resposta
Autônoma a Incêndios (PADILHA et al 2014).
128
129
REFERÊNCIAS BIBLIOGRÁFICAS
ALLEN, J. Maintaining knowledge about temporal intervals. Communications of the ACM, v. 26, n. 11, p. 832–843, 1983. ISBN 1558600957. ISSN 00010782.
BERETTA, M. D. Técnicas de heurística como agentes inteligentes para o projeto de jogos.2013. p 47. Marília: Fundação de Ensino “Eurípedes Soares da Rocha”, 2013.
BERNARD, D. et al. Spacecraft autonomy flight experience : the DS1 remote agent experiment. In: AIAA SPACE TECHNOLOGY CONFERENCE AND EXPOSITION, 1999, Albuquerque. Proceedings... Albuquerque: AIAA,1999. p. 1-11.
BRIEB, K. et al. The Bird Mission is completed for launch with the PSLV-C3 in 2001. In: INTERNATIONAL SYMPOSIUM OF IAA, 3., Berlim. Proceedings... Berlim, 2001. p. 323-326.
CASTANO, A. et al. Autonomous detection of dust devils and clouds on Mars. In: INTERNATIONAL CONFERENCE ON IMAGE PROCESSING, 2006, Atlanta. Proceedings... Atlanta: IEEE, 2006. p. 2765-2768. ISBN 1424404819. ISSN 15224880.
CHIEN, S. et al. Improving the operations of the earth observing one mission via automated mission planning. In: INTERNATIONAL CONFERENCE ON SPACE OPERATIONS (SPACEOPS), 2010, Hunstsville. Proceedings… Huntsville, 2010. p. 25-30.
CORRADI, S. et al. The compostie optical bench of fuego satellite. In: EUROPEAN CONFERENCE ON SPACECRAFT STRUCTURES, MATERIALS AND MECHANICAL TESTING, 2000, Netherlansd. Proceedings... Netherlands, 2000. p. 77-82.
DAMIANI, S.; VERFAILLIE, G.; CHARMEAU, M. C. Autonomous management of an earth watching satellite. In: WORKSHOP ON PLANNING UNDER UNCERTAINTY FOR AUTONMOUS SYSTEM, . Proceedings… Califórnia, 2005. p. 19-28. Disponível em: <http://icaps05.uni-ulm.de/documents/ws-proceedings/ws6-allpapers.pdf#page=23>.
130
DVORAK, D. L. et al. Goal-based operations: an overview. In: AIAA INFOTECH@AEROSPACE 2007 CONFERENCE AND EXHIBIT, 2007, Rohnert Park. Proceedings... Rohnert Park, 2007. p. 123-141. ISBN 1563478935. ISSN: 1542-9423.
DVORAK, D. L. D.; AMADOR, A. V; STARBIRD, T. W. Comparison of goal-based operations and command sequencing. In: INTERNATIONAL CONFERENCE ON SPACE OPERATIONS (SPACEOPS), 2008, Heidelberg, Germany. Proceedings… Heidelberg, Germany, 2008. p.1–13. ISBN: 978-1-62410-167-0.
ESCORIAL, D.; TOURNE, I. F.; REINA, F. J. Fuego: a dedicated constellation of small satellites to detecte and monitor forest fires. In: IAA SYMPOSIUM, 3., 2003, Berlim. Proceedings... Berlim, 2003. p. 765-775. ISBN 3491597218. ISSN 00945765.
EUROPEAN SPACE AGENCY. Suomy NPP. Disponível em: <https://directory.eoportal.org/web/eoportal/satellite-missions/s/suomi-npp>. Acesso em: 1 jan. 2015.
______. MSG-2 in position for tonight’s lauch. Disponível em: <http://www.esa.int/Our_Activities/Observing_the_Earth/Meteosat_Second_Generation/MSG-2_in_position_for_tonight_s_launch/(print)>. Acesso em: 1 jan. 2015.
______. MetOp meteorological missions. 2012. Disponível em: <http://www.esa.int/Our_Activities/Observing_the_Earth/The_Living_Planet_Programme/Meteorological_missions/MetOp/Overview14>. Acesso em: 1 jan. 2015b.
GRAHAM, S. National Aeronautic and Space Administration. Paul Przyborski. Disponível em: <http://aqua.nasa.gov/>. Acesso em: 1 jan. 2015.
GRANEMANN, D. C.; CARNEIRO, G. L. Monitoramento de focos de incêndio e áreas queimadas com a utilização de imagens de sensoriamento remoto. Revista de engenharia e tecnologia, v.1, p.55–62, 2009. ISSN 2176-7270.
INSTITUTO NACIONAL DE PESQUISAS ESPACIAIS. Portal do monitoramento de queimadas e incêndios. 2012. Disponível em: <http://www.inpe.br/queimadas>. Acesso em: 1 jan. 2013.
INSTITUTO NACIONAL DE PESQUISAS ESPACIAIS. INPE discute novas parcerias. 2012. Disponível em: <http://www.inpe.br/noticias/noticia.php?Cod_Noticia=3168>. Acesso em: 1 jan. 2015.
131
JENNER, L. GOES mission. 2012. Disponível em: <http://www.nasa.gov/mission_pages/goes-n/main/index.html>.>. Acesso em: 1 jan. 2014.
JENNER, L.; DUNBAR, B. TERRA. Holly Zell .2013. Disponível em: <http://www.nasa.gov/mission_pages/terra/index.html#.UubnBBBTvIU>. Acesso em: 1 jan. 2014.
JET PROPULSION LABORATORY. Under their own AEGIS. Cornell Lewis,
Maryia Davis. Disponível em: <https://scienceandtechnology.jpl.nasa.gov/newsandevents/newsdetails/?NewsID=677>. Acesso em: 1 jan. 2014.
KRAMER, H. J. BIROS. Disponível em: <https://directory.eoportal.org/web/eoportal/satellite-missions/b/biros>. Acesso em: 1 nov. 2014.
KUCINSKIS, F. N.; FERREIRA, M. G. V. On-board satellite software architecture for the goal-based brazilian mission operations. IEEE Aerospace and Electronic Systems Magazine, v.28, n.8, p.32-45, Aug. 2013. doi: <10.1109/MAES.2013.6575409>.
______. Goal-based operations enabling software architecture: manual do desenvolvedor. São José dos Campos: INPE. 2012a.
______. Uma arquitetura de software embarcado no segmento espacial para habilitar a operação de missões baseada em objetivos. 2012. 192 p. Tese (Doutorado em Engenharia e Gerenciamento de Sistemas Espaciais) - Instituto Nacional de Pesquisas Espaciais, São José dos Campos, 2012. Disponível em: <http://urlib.net/8JMKD3MGP7W/3BEQBSP>. Acesso em: 04 abr. 2015.
GRAYZECK E.; National Space Science Data Center. Desenvolvido por Bell E.
home page. Disponível em: <http://nssdc.gsfc.nasa.gov/>. Acesso em: 1 jan. 2005.
______. ______. Desenvolvido por Bell E. Home page. Disponível em: <http://nssdc.gsfc.nasa.gov/nmc/experimentSearch.do?spacecraft=NOAA 15>. Acesso em: 1 jan. 2015a.
______. ______. Desenvolvido por Bell E. Home page. Disponível em: <http://nssdc.gsfc.nasa.gov/nmc/experimentSearch.do?spacecraft=NOAA 16>. Acesso em: 1 jan. 2015b.
132
______. ______. Desenvolvido por Bell E. Home page. Disponível em: <http://nssdc.gsfc.nasa.gov/nmc/experimentSearch.do?spacecraft=NOAA 18>. Acesso em: 1 jan. 2015c.
______. ______. Desenvolvido por Bell E. Home page. Disponível em: <http://nssdc.gsfc.nasa.gov/nmc/experimentSearch.do?spacecraft=NOAA 19>. Acesso em: 1 jan. 2015d.
PADILHA, J. J. et al. Gerenciamento de objetivos para um sistema embarcado em satélite voltado à identificação e resposta autônoma a incêndios. In: WORKSHOP EM ENGENHARIA E TECNOLOGIA ESPACIAIS, 2014, São José dos Campos. Anais... São José dos Campos: INPE, 2014. On-line. Disponível em:<http://urlib.net/8JMKD3MGP5W34M/3HE9SF8>. Acesso em: 04 abr. 2015.
PASSOS, E. B. PNF-story: um modelo para enredos baseado na propagação de restrições temporais. f. 127. Niterói: Universidade Federal Fluminense, 2012.
REILE, H. et al. The fire bird mission: a scientific mission for Earth observation and hot spot detection. In: INTERNATIONAL SYMPOSIUM OF THE INTERNATIONAL ACADEMY OF ASTRONAUTICS, 9., 2013. Proceedings... Wissenschaft und Technik Verlag, 2013.
RUSSELL, Stuart; NORVIG, Peter Inteligência artificial. 2. ed. Rio de Janeiro, RJ: Elsevier, 2004. 1021 p. ISBN 978-85-352-1177-1
SCHILDT, H. Inteligência artificial utilizando linguagem C. Tradução de C. G. Silveira - São Paulo, SP: McGraw-Hill, 1989. 349 p.
SILVA, F. A. T. F.; LUCENA, A. M. P. Processamento inteligente de sinais aplicado ao monitoramento ambiental em tempo real. In: SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO, 12. (SBSR), 2005, Goiânia. Anais... São José dos Campos: INPE, 2005. p.3341-3348. Disponível em: <http://urlib.net/ltid.inpe.br/sbsr/2004/11.21.21.06>. Acesso em: 04 abr. 2015.
TAVARES, J. A. R. Geração de configurações de sistemas industriais com o recurso à tecnologia das restrições e computação evolucionária. 2000. Tese (Doutorada em Informática) - Universidade do Minho, 2000. Disponível em: <http://www.dei.isep.ipp.pt/~jtavares/PhD_Tese/Resumo_PhD.htm>. Acesso em: 1 jan. 2014.
133
VILAIN, M.; KAUTZ, H.; VAN BEEK, P. Constraint propagation algorithms for temporal reasoning: a revised report. In: KLEER, J. (ed.). Readings in qualitative reasoning about physical systems [S.l.]: Morgan-Kaufman, 1986.
SCHROEDER, W. et al. Amazonia and global change. In: Geophysical Monograph Series. Washington, 2009. p. 11-23. ISBN: 978-0-87590-476-4.
WIKIMEDIA FUNDATION. Problema da satisfação de restrições. Disponível em: <http://pt.wikipedia.org/wiki/Problema_da_satisfa%C3%A7%C3%A3o_de_restri%C3%A7%C3%B5es>. Acesso em: 1 set. 2015.
______. Satisfação de restrições. Disponível em: <http://pt.wikipedia.org/wiki/Satisfa%C3%A7%C3%A3o_de_restri%C3%A7%C3%B5es>. Acesso em: 1 set. 2014.
WORLD METEOROLOGICAL ORGANIZATION. Satellite: GOES-13. Disponível em: <http://www.wmo-sat.info/oscar/satellites/view/149>. Acesso em: 1 jan. 2014.
134
135
APÊNDICE A - MODELO EMBARCADO PARA A M2AI
Neste apêndice estão a descrição estrutural, as descrições comportamentais e
o modelo embarcado resultante da união dos primeiros realizada pelo parser
da GOESA.
A.1 Descrição Estrutural
<!-- ISIS Structural description for the M2MAI domain -->
<structural_description>
<domains>
<domain name = "CameraModes">
<value>camera_no_power</value>
<value>camera_power_off</value>
<value>camera_stand_by</value>
<value>camera_imaging</value>
</domain>
<domain name = "MirrorPosition">
<value>mirror_minus_30_degrees</value>
<value>mirror_minus_29_degrees</value>
<value>mirror_minus_28_degrees</value>
<value>mirror_minus_27_degrees</value>
<value>mirror_minus_26_degrees</value>
<value>mirror_minus_25_degrees</value>
<value>mirror_minus_24_degrees</value>
<value>mirror_minus_23_degrees</value>
136
<value>mirror_minus_22_degrees</value>
<value>mirror_minus_21_degrees</value>
<value>mirror_minus_20_degrees</value>
<value>mirror_minus_19_degrees</value>
<value>mirror_minus_18_degrees</value>
<value>mirror_minus_17_degrees</value>
<value>mirror_minus_16_degrees</value>
<value>mirror_minus_15_degrees</value>
<value>mirror_minus_14_degrees</value>
<value>mirror_minus_13_degrees</value>
<value>mirror_minus_12_degrees</value>
<value>mirror_minus_11_degrees</value>
<value>mirror_minus_10_degrees</value>
<value>mirror_minus_09_degrees</value>
<value>mirror_minus_08_degrees</value>
<value>mirror_minus_07_degrees</value>
<value>mirror_minus_06_degrees</value>
<value>mirror_minus_05_degrees</value>
<value>mirror_minus_04_degrees</value>
<value>mirror_minus_03_degrees</value>
<value>mirror_minus_02_degrees</value>
<value>mirror_minus_01_degree</value>
<value>mirror_at_nadir</value>
<value>mirror_plus_01_degree</value>
<value>mirror_plus_02_degrees</value>
137
<value>mirror_plus_03_degrees</value>
<value>mirror_plus_04_degrees</value>
<value>mirror_plus_05_degrees</value>
<value>mirror_plus_06_degrees</value>
<value>mirror_plus_07_degrees</value>
<value>mirror_plus_08_degrees</value>
<value>mirror_plus_09_degrees</value>
<value>mirror_plus_10_degrees</value>
<value>mirror_plus_11_degrees</value>
<value>mirror_plus_12_degrees</value>
<value>mirror_plus_13_degrees</value>
<value>mirror_plus_14_degrees</value>
<value>mirror_plus_15_degrees</value>
<value>mirror_plus_16_degrees</value>
<value>mirror_plus_17_degrees</value>
<value>mirror_plus_18_degrees</value>
<value>mirror_plus_19_degrees</value>
<value>mirror_plus_20_degrees</value>
<value>mirror_plus_21_degrees</value>
<value>mirror_plus_22_degrees</value>
<value>mirror_plus_23_degrees</value>
<value>mirror_plus_24_degrees</value>
<value>mirror_plus_25_degrees</value>
<value>mirror_plus_26_degrees</value>
<value>mirror_plus_27_degrees</value>
138
<value>mirror_plus_28_degrees</value>
<value>mirror_plus_29_degrees</value>
<value>mirror_plus_30_degrees</value>
</domain>
<domain name = "LineStatus">
<value>switched_off</value>
<value>switched_on</value>
</domain>
</domains>
<elements>
<element name = "CAMERA">
<timeline name = "Mode" type = "CameraModes"
hkparameterid = "2" />
<timeline name = "MirrorPosition" type =
"int8" hkparameterid = "3" />
<timeline name = "Moving" type = "int8"
hkparameterid = "4" />
</element>
<element name = "PSS">
<timeline name = "CameraPowerlineStatus"
type = "LineStatus" hkparameterid = "1" />
<resource name = "Power" type = "uint8"
quantity = "100" consumptionperrate = "false">
139
<consumer name = "CAMERA"
initialtotalconsumptionhkparameterid = "5"/>
</resource>
</element>
</elements>
</strutural_description>
A.2 Descrição Comportamental
Cabe lembrar neste tópico que para cada elemento da descrição estrutural é
necessário uma descrição comportamental.
A.2.1 Descrição Comportamental da Câmera
Action PowerOn
{
Preconditions
{
CAMERA.Mode = camera_power_off;
}
Effects
{
CAMERA.Mode = camera_stand_by;
CAMERA.Consume (PSS.Power, 56);
}
ServiceRequest
140
{
ServiceType = 134;
ServiceSubtype = 5;
}
}
Action PowerOff
{
Preconditions
{
CAMERA.Mode != camera_power_off;
}
Effects
{
CAMERA.Mode = camera_power_off;
CAMERA.CeaseConsumptionOrRelease(PSS.Power);
}
ServiceRequest
{
ServiceType = 134;
ServiceSubtype = 6;
}
}
141
Action StartImaging
{
Preconditions
{
CAMERA.Mode = camera_stand_by;
}
Effects
{
CAMERA.Mode = camera_imaging;
CAMERA.Consume (PSS.Power, 70);
}
ServiceRequest
{
ServiceType = 134;
ServiceSubtype = 3;
}
}
Action StopImaging
{
Preconditions
{
142
CAMERA.Mode = camera_imaging;
}
Effects
{
CAMERA.Mode = camera_stand_by;
CAMERA.Consume (PSS.Power, 56)
}
ServiceRequest
{
ServiceType = 134;
ServiceSubtype = 4;
}
}
Action MoveMirrorLeft
{
Preconditions
{
CAMERA.Mode = camera_stand_by;
CAMERA.Moving = fase;
CAMERA.MirrorPosition > mirror_minus_30_degrees;
}
143
Effects
{
CAMERA.Moving = true;
CAMERA.MirrorPosition = CAMERA.MirrorPosition -
1;
CAMERA.Consume (PSS.Power, 58); // 2 watts a mais
durante a operacao do motor de passo
}
ServiceRequest
{
ServiceType = 134;
ServiceSubtype = 7;
DataField = 0; // se nao tiver data field, basta
nao coloca-lo aqui
}
}
Action MoveMirrorRight
{
Preconditions
{
CAMERA.Mode = camera_stand_by;
CAMERA.Moving = false;
CAMERA.Position < mirror_plus_30_degrees;
}
144
Effects
{
CAMERA.Moving = true;
CAMERA.MirrorPosition = CAMERA.MirrorPosition +
1;
CAMERA.Consume (PSS.Power, 58); // 2 watts a mais
durante a operacao do motor de passo
}
ServiceRequest
{
ServiceType = 134;
ServiceSubtype = 7;
DataField = 1; // se nao tiver data field, basta
nao coloca-lo aqui
}
}
A.2.2 Descrição Comportamental dos Events
EndogenousEvent MoveMirrorStepFinished
{
Effects
{
// ... o espelho para, voltando a camera a stand-
by.
145
CAMERA.Moving = false;
CAMERA.Consume (PSS.Power, 56);
}
}
A.2.3 Descrição Comportamental do PSS
/* retirou consumo de todos */
Action SwitchOnCameraLine
{
Preconditions
{
PSS.CameraPowerLineStatus = switched_off;
}
Effects
{
PSS.CameraPowerLineStatus = switched_on;
CAMERA.Mode = camera_power_off;
}
ServiceRequest
{
ServiceType = 133;
ServiceSubtype = 1;
146
DataField = 0080; // se nao tiver data field,
basta nao coloca-lo aqui
}
}
Action SwitchOffCameraLine
{
Preconditions
{
PSS.CameraPowerLineStatus = switched_on;
}
Effects
{
PSS.CameraPowerLineStatus = switched_off;
CAMERA.Mode = camera_no_power;
}
ServiceRequest
{
ServiceType = 133;
ServiceSubtype = 2;
DataField = 0080; // se nao tiver data field,
basta nao coloca-lo aqui
}}
147
A.3 Modelo Embarcado para a M2AI
/**
* @file domains.h
* @author ISISml Parser
* @date 01/07/2014
* @brief Enumeracoes utilizadas pelo modelo.
**/
#ifndef DOMAINS_H_
#define DOMAINS_H_
namespace Isis
{
enum ModelElements
{
element_camera = 0,
element_pss = 1,
number_of_model_elements
};
enum CameraModes
{
camera_no_power = 0,
camera_power_off = 1,
148
camera_stand_by = 2,
camera_imaging = 3
};
enum MirrorPosition
{
mirror_minus_30_degrees = 0,
mirror_minus_29_degrees = 1,
mirror_minus_28_degrees = 2,
mirror_minus_27_degrees = 3,
mirror_minus_26_degrees = 4,
mirror_minus_25_degrees = 5,
mirror_minus_24_degrees = 6,
mirror_minus_23_degrees = 7,
mirror_minus_22_degrees = 8,
mirror_minus_21_degrees = 9,
mirror_minus_20_degrees = 10,
mirror_minus_19_degrees = 11,
mirror_minus_18_degrees = 12,
mirror_minus_17_degrees = 13,
mirror_minus_16_degrees = 14,
mirror_minus_15_degrees = 15,
mirror_minus_14_degrees = 16,
mirror_minus_13_degrees = 17,
mirror_minus_12_degrees = 18,
149
mirror_minus_11_degrees = 19,
mirror_minus_10_degrees = 20,
mirror_minus_09_degrees = 21,
mirror_minus_08_degrees = 22,
mirror_minus_07_degrees = 23,
mirror_minus_06_degrees = 24,
mirror_minus_05_degrees = 25,
mirror_minus_04_degrees = 26,
mirror_minus_03_degrees = 27,
mirror_minus_02_degrees = 28,
mirror_minus_01_degree = 29,
mirror_at_nadir = 30,
mirror_plus_01_degree = 31,
mirror_plus_02_degrees = 32,
mirror_plus_03_degrees = 33,
mirror_plus_04_degrees = 34,
mirror_plus_05_degrees = 35,
mirror_plus_06_degrees = 36,
mirror_plus_07_degrees = 37,
mirror_plus_08_degrees = 38,
mirror_plus_09_degrees = 39,
mirror_plus_10_degrees = 40,
mirror_plus_11_degrees = 41,
mirror_plus_12_degrees = 42,
mirror_plus_13_degrees = 43,
150
mirror_plus_14_degrees = 44,
mirror_plus_15_degrees = 45,
mirror_plus_16_degrees = 46,
mirror_plus_17_degrees = 47,
mirror_plus_18_degrees = 48,
mirror_plus_19_degrees = 49,
mirror_plus_20_degrees = 50,
mirror_plus_21_degrees = 51,
mirror_plus_22_degrees = 52,
mirror_plus_23_degrees = 53,
mirror_plus_24_degrees = 54,
mirror_plus_25_degrees = 55,
mirror_plus_26_degrees = 56,
mirror_plus_27_degrees = 57,
mirror_plus_28_degrees = 58,
mirror_plus_29_degrees = 59,
mirror_plus_30_degrees = 60
};
enum LineStatus
{
switched_off = 0,
switched_on = 1
};
151
enum ActionIds
{
no_action = 0,
pss_action_switchoncameraline = 1,
pss_action_switchoffcameraline = 2,
camera_action_poweron = 3,
camera_action_poweroff = 4,
camera_action_startimaging = 5,
camera_action_stopimaging = 6,
camera_action_movemirrorleft = 7,
camera_action_movemirrorright = 8,
number_of_action_ids_plus_one // usado pelo sistema
};
enum EventIds
{
no_event = 0,
event_movemirrorstepfinished = 1,
number_of_event_ids_plus_one
};
enum TimelineIds
{
no_timeline = 0,
pss_timeline_camerapowerlinestatus = 1,
152
camera_timeline_mode = 2,
camera_timeline_mirrorposition = 3,
camera_timeline_moving = 4,
number_of_timeline_ids_plus_one // usado pelo sistema
};
enum ResourceIds
{
no_resource = 0,
pss_resource_power = 1,
number_of_resource_ids_plus_one // usado pelo sistema
};
} // namespace Isis
#endif /* DOMAINS_H_ */
/**
* @file events.h
* @author ISISml Parser
* @date 01/07/2014
* @brief Externs para os eventos do modelo.
**/
#ifndef EVENTS_H_
153
#define EVENTS_H_
#include "../isis/metamodel/Types.h"
namespace Isis
{
extern EndogenousEvent MoveMirrorStepFinished();
} // namespace Isis
#endif /* EVENTS_H_ */
/**
* @file events.h
* @author ISISml Parser
* @date 01/07/2014
* @brief Implementacao dos eventos do modelo.
**/
#include "../isis/metamodel/Types.h"
#include "domains.h"
#include "PSS.h"
#include "CAMERA.h"
namespace Isis
{
154
EndogenousEvent MoveMirrorStepFinished()
{
CAMERA::Moving.SetCurrent(false);
PSS::Power.Consume(element_camera, 56);
}
}
/**
* @file CAMERA.h
* @author ISISml Parser
* @date 01/07/2014
* @brief Definicao da classe para o elemento CAMERA do
modelo ISISml.
**/
#ifndef CAMERA_H_
#define CAMERA_H_
#include "../isis/metamodel/Types.h"
#include "../isis/metamodel/timelines/Timeline.h"
#include "../isis/metamodel/occurrences/Action.h"
namespace Isis
{
155
/**
* @class CAMERA
* @brief Classe que implementa o elemento CAMERA do modelo
ISISml.
**/
class CAMERA
{
public:
CAMERA(); // manter isso, para que o compilador nao
crie os default dele
~CAMERA(); // manter isso, para que o compilador nao
crie os default dele
static Timeline Mode;
static Timeline MirrorPosition;
static Timeline Moving;
static Action PowerOn();
static Action PowerOff();
static Action StartImaging();
static Action StopImaging();
static Action MoveMirrorLeft();
static Action MoveMirrorRight();
static void
VerifyCameraMovingEndogenousEventsConditions();
};
156
} // namespace Isis
#endif /* CAMERA_H_ */
/**
* @file CAMERA.cpp
* @author ISISml Parser
* @date 22/09/2014
* @brief Implementacao da classe para o elemento CAMERA do
modelo ISISml.
**/
#include "CAMERA.h"
#include "PSS.h"
#include "domains.h"
namespace Isis
{
CAMERA::CAMERA()
{
}
CAMERA::~CAMERA()
{
157
}
Action CAMERA::PowerOn()
{
Action returnStatus;
// Pre-conditions ***********************************
if (!(CAMERA::Mode.GetCurrent() ==
static_cast<int32_t>(camera_power_off)))
{
returnStatus.RegisterFalsePrecondition(camera_timeline
_mode);
}
// Effects ******************************************
CAMERA::Mode.SetCurrent(static_cast<int32_t>(camera_st
and_by));
PSS::Power.Consume(static_cast<uint32_t>(element_camer
a), 56);
return returnStatus;
}
Action CAMERA::PowerOff()
{
Action returnStatus;
158
// Pre-conditions ***********************************
if (!(CAMERA::Mode.GetCurrent() !=
static_cast<int32_t>(camera_power_off)))
{
returnStatus.RegisterFalsePrecondition(camera_timeline
_mode);
}
// Effects ******************************************
CAMERA::Mode.SetCurrent(static_cast<int32_t>(camera_po
wer_off));
PSS::Power.CeaseConsumptionOrFreeding(static_cast<uint
32_t>(element_camera));
return returnStatus;
}
Action CAMERA::StartImaging()
{
Action returnStatus;
// Pre-conditions ***********************************
if (!(CAMERA::Mode.GetCurrent() ==
static_cast<int32_t>(camera_stand_by)))
{
159
returnStatus.RegisterFalsePrecondition(camera_timeline
_mode);
}
// Effects ******************************************
CAMERA::Mode.SetCurrent(static_cast<int32_t>(camera_im
aging));
PSS::Power.Consume(static_cast<uint32_t>(element_camer
a), 70);
return returnStatus;
}
Action CAMERA::StopImaging()
{
Action returnStatus;
// Pre-conditions ***********************************
if (!(CAMERA::Mode.GetCurrent() ==
static_cast<int32_t>(camera_imaging)))
{
returnStatus.RegisterFalsePrecondition(camera_timeline
_mode);
}
// Effects ******************************************
160
CAMERA::Mode.SetCurrent(static_cast<int32_t>(camera_st
and_by));
PSS::Power.Consume(static_cast<uint32_t>(element_camer
a), 56);
return returnStatus;
}
Action CAMERA::MoveMirrorLeft()
{
Action returnStatus;
// Pre-conditions ***********************************
if (!(CAMERA::Mode.GetCurrent() ==
static_cast<int32_t>(camera_stand_by)))
{
returnStatus.RegisterFalsePrecondition(camera_timeline
_mode);
}
if (!(CAMERA::Moving.GetCurrent() ==
static_cast<int32_t>(false)))
{
returnStatus.RegisterFalsePrecondition(camera_timeline
_moving);
}
161
if (!(CAMERA::MirrorPosition.GetCurrent() >
static_cast<int32_t>(mirror_minus_30_degrees)))
{
returnStatus.RegisterFalsePrecondition(camera_timeline
_mirrorposition);
}
// Effects ******************************************
CAMERA::Moving.SetCurrent(static_cast<int32_t>(true));
CAMERA::MirrorPosition.SetCurrent(CAMERA::MirrorPositi
on.GetCurrent() - 1);
PSS::Power.Consume(static_cast<uint32_t>(element_camer
a), 58);
return returnStatus;
}
Action CAMERA::MoveMirrorRight()
{
Action returnStatus;
// Pre-conditions ***********************************
if (!(CAMERA::Mode.GetCurrent() ==
static_cast<int32_t>(camera_stand_by)))
{
162
returnStatus.RegisterFalsePrecondition(camera_timeline
_mode);
}
if (!(CAMERA::Moving.GetCurrent() ==
static_cast<int32_t>(false)))
{
returnStatus.RegisterFalsePrecondition(camera_timeline
_moving);
}
if (!(CAMERA::MirrorPosition.GetCurrent() <
static_cast<int32_t>(mirror_plus_30_degrees)))
{
returnStatus.RegisterFalsePrecondition(camera_timeline
_mirrorposition);
}
// Effects ******************************************
CAMERA::Moving.SetCurrent(static_cast<int32_t>(true));
CAMERA::MirrorPosition.SetCurrent(CAMERA::MirrorPositi
on.GetCurrent() + 1);
PSS::Power.Consume(static_cast<uint32_t>(element_camer
a), 58);
return returnStatus;
163
}
void CAMERA::VerifyCameraMovingEndogenousEventsConditions()
{
if (CAMERA::Moving.GetCurrent() == true)
{
uint32_t creatorOccurrenceId =
TimeReference::GetCurrentOccurrenceId();
uint32_t moment =
TimeReference::GetCurrentTime();
moment += 99; // Delta-T especificado (em
milisegundos) no modelo ISISml, a ser colocado aqui pelo
parser
// se moment + Delta-T estiver fora da sessao, a
insercao da ocorrencia sera rejeitada
OccurrencesList::AddOccurrence(moment,
endogenous_event, event_movemirrorstepfinished,
creatorOccurrenceId);
}
}
} // namespace Isis
/**
164
* @file PSS.h
* @author ISISml Parser
* @date 01/07/2014
* @brief Definicao da classe para o elemento PSS do modelo
ISISml.
**/
#ifndef PSS_H_
#define PSS_H_
#include "../isis/metamodel/timelines/Timeline.h"
#include "../isis/metamodel/Types.h"
#include "../isis/metamodel/resources/Resource.h"
#include "../isis/metamodel/occurrences/Action.h"
namespace Isis
{
/**
* @class PSS
* @brief Classe que implementa o elemento PSS do modelo
ISISml.
**/
class PSS
{
public:
165
PSS();
~PSS();
static Timeline CameraPowerLineStatus;
static Resource Power;
static Action SwitchOnCameraLine();
static Action SwitchOffCameraLine();
};
} // namespace Isis
#endif /* PSS_H_ */
/**
* @file PSS.cpp
* @author ISISml Parser
* @date 01/07/2014
* @brief Implementacao da classe para o elemento PSS do
modelo ISISml.
**/
#include "PSS.h"
#include "CAMERA.h"
#include "domains.h"
166
namespace Isis
{
PSS::PSS()
{
}
PSS::~PSS()
{
}
Action PSS::SwitchOnCameraLine()
{
Action returnStatus;
// Pre-conditions ***********************************
if (!(PSS::CameraPowerLineStatus.GetCurrent() ==
static_cast<int32_t>(switched_off)))
{
returnStatus.RegisterFalsePrecondition(pss_timeline_ca
merapowerlinestatus);
}
// Effects ******************************************
167
PSS::CameraPowerLineStatus.SetCurrent(static_cast<int3
2_t>(switched_on));
CAMERA::Mode.SetCurrent(static_cast<int32_t>(camera_po
wer_off));
return returnStatus;
}
Action PSS::SwitchOffCameraLine()
{
Action returnStatus;
// Pre-conditions ***********************************
if (!(PSS::CameraPowerLineStatus.GetCurrent() ==
static_cast<int32_t>(switched_on)))
{
returnStatus.RegisterFalsePrecondition(pss_timeline_ca
merapowerlinestatus);
}
// Effects ******************************************
PSS::CameraPowerLineStatus.SetCurrent(static_cast<int3
2_t>(switched_off));
CAMERA::Mode.SetCurrent(static_cast<int32_t>(camera_no
_power));
return returnStatus;
168
}
} // namespace Isis
169
APÊNDICE B – OUTROS CASOS DE ESTUDOS
B.1 Estudo de Caso A – Execução com Apenas um Foco de Incêndio
Para este estudo de caso será escolhido apenas um foco de incêndio visando
demonstrar o comportamento da GOESA para essa situação. Em situações
assim a GOESA não utiliza o Priorizador de Focos de Incêndios, e, além disso,
é uma situação hipotética, pois provavelmente nunca ocorrerá apenas um
objetivo em uma imagem.
O objetivo desse estudo de caso está representado na Tabela B.1.1 a seguir:
Tabela B.1.1 – Objetivos do Estudo de Caso A - Execução com Apenas um Foco de
Incêndio
Objetivos
tempo inicial 300000
tempo final 400000
ângulo 20
Para essa execução, o SEMAI deve ser inicializado com a seguinte
configuração: a CAR deve estar configurada como desligada e sem energia.
Ela deve iniciar suas atividades no ângulo ‘0’, ou seja, no NADIR. O tempo da
sessão de inferência, ou seja, tempo de planejamento de atendimento aos
objetivos, deve ser de 0 até 999999 milissegundos.
Ao executar o SEMAI para esse objetivo, a CAR realiza as ações detalhadas
na Tabela B.1.2 atendendo ao objetivo corretamente.
170
Tabela B.1.2 - Ações realizadas pela GOESA para atender o Caso de Estudo A –
Execução com Apenas um Foco de Incêndio
Lista de Ocorrências
Tempo Ação timeline afetada valor resource
R
Consu
mer
R
val
ue
274000
3 -
camera_action_p
oweron
2 - camera_timeline_mode
2 -
camera_stan
d_by
1 -
pss_resource
_power
0 56
297000
8 -
camera_action_
movemirror
3 -
camera_timeline_mirrorpo
sition
31 (1)
1 -
pss_resource
_power
0 58
4 -
camera_timeline_moving 1 - true
...
298800
8 -
camera_action_
movemirror
3 -
camera_timeline_mirrorpo
sition
49 (19)
1 -
pss_resource
_power
0 58
4 -
camera_timeline_moving 1 - true
298900
8 -
camera_action_
movemirror
3 -
camera_timeline_mirrorpo
sition
50 (20)
1 -
pss_resource
_power
0 58
4 -
camera_timeline_moving 1 - true
298899 endogeno 4 -
camera_timeline_moving 0 - false
1 -
pss_resource
_power
0 56
Continua
171
Tabela B.1.2 - Conclusão
298999 endogeno 4 -
camera_timeline_moving 0 - false
1 -
pss_resource
_power
0 56
299000
5 -
camera_action_s
tartimaging
2 - camera_timeline_mode
3 -
camera_ima
ging
1 -
pss_resource
_power
0 70
402000
6 -
camera_action_s
topimaging
2 - camera_timeline_mode
2 -
camera_stan
d_by
1 -
pss_resource
_power
0 56
273000
1 -
pss_action_switc
honcameraline
1 -
pss_timeline_camerapo
werlinestatus
1 -
switched_o
n
2 - camera_timeline_mode
1 -
camera_po
weroff
A seguir, tem-se uma breve explicação da Tabela B.1.2 anterior.
Para melhor atender a esses objetivos inicialmente o SEMAI inicializou uma
sessão no tempo ‘0’. Neste momento, a CAR deve estar desligada, apontando
para a posição de 90 graus, ou seja, para o NADIR.
No instante 274000 milissegundos, a CAR foi energizada, porém ficou em
stand_by sem realizar nenhuma atividade.
No instante 297000 milissegundos a CAR começa a se movimentar para
chegar ao ângulo desejado que é 20 graus. Esse movimento será parado pelo
evento endógeno a cada 100 milissegundos garantindo que a CAR se
movimente 1 grau a cada 100 milissegundos. Isso é representado na tabela
pelo simbolo ‘...’.
172
No tempo 299000 milissegundos, a CAR começa a imagear.
No tempo 402000 milissegundos, a CAR para de imagear.
No tempo 273000 milissegundos, a CAR é desligada, devido a particularidade
do estudo de caso que é de imagear apenas 1 objetivo, pois observa-se que
para o imageamento de múltiplos objetivos ela não é desligada.
B.2 Estudo de Caso B – Objetivos Inválidos
Para esse estudo de caso serão enviados objetivos conflitantes para analisar o
comportamento do SEMAI com o Priorizador de Focos de Incêndios. O objetivo
deste estudo de caso é testar objetivos inválidos.
Os objetivos desse estudo de caso estão representados na Tabela B.2.1 a
seguir:
Tabela B.2.1 – Objetivos do Estudo de Caso B – Objetivos Inválidos
Objetivo Tempo inicial Tempo final Ângulo
0 100000 120000 0
1 200000 100000 0
2 400000 440000 50
3 600000 650000 30
Para essa execução, o SEMAI deve ser inicializado com a seguinte
configuração: a CAR deve iniciar suas atividades no ângulo ‘0’, estar
configurada como desligada e sem energia. O tempo da sessão de inferência,
ou seja, tempo de planejamento de atendimento aos objetivos, deve ser de 0
até 999999 milissegundos.
Além disso, é necessário que sejam cadastradas as áreas de importância para
a execução desse caso. As áreas de prioridades são as áreas da Tabela 8.2.
173
O algoritmo criado para o Priorizador de Focos de Incêndios classificará os
objetivos recebidos de acordo com a seguinte Tabela B.2.2. Esses dados
podem ser visualizados através do software criado para testes da GOESA que
foi adaptado para possuir essa funcionalidade.
Tabela B.2.2 – Tabela de Classificação dos Objetivos feita pelo Priorizador de Focos
de Incêndios para o Estudo de Caso B – Objetivos Inválidos
Objetivos Restrições Intervalo de Referência Prioridade
0 p 1 1
1
2
3 pb 2 5
Observa-se que os objetivos 1 e 2 não foram classificados na Tabela B.2.2, isso
se deve ao fato de terem sido excluídos por serem inválidos.
Como resultado dessas classificações, tem-se a Tabela B.2.3 a seguir que
indica quais objetivos devem ser imageados e quais não devem.
Tabela B.2.3 – Tabela que mostra quais objetivos serão imageados para o Estudo de
Caso B – Objetivos Inválidos
Objetivos Imagear Parcial Imagear Área Maior Imagear Parcial com Retorno
0 1 1 1
1 2 2 2
2 2 2 2
3 1 1 1
Ao executar a GOESA para esses objetivos, ela realiza as ações detalhadas na
Tabela B.2.4 atendendo os dois objetivos corretamente.
174
Tabela B.2.4 - Ações realizadas pela GOESA para atender o Caso de Estudo B –
Objetivos Inválidos
Lista de Ocorrências
Tempo Ação timeline afetada valor resource R
Consumer
R value
0 start sessão
1 - pss_timeline_camera
powerlinestatus
0 - switched_
off
1 - pss_resourc
e_power 0 0
2 - camera_timeline_mo
de
0 - camera_no_power
3 - camera_timeline_mir
rorposition 30 (0)
4 - camera_timeline_mo
ving 0
73000 1 -
pass_action_switchoncameraline
1 - pss_timeline_camera
linestatus
1 - switched_
on 2 -
camera_timeline_mode
1 - camera_power_off
74000 3 -
camera_action_poweron
2 - camera_timeline_mo
de
2 - camera_st
and_by
1 - pss_resourc
e_power 0 56
99000 5 -
camera_action_startimaging
2 - camera_timeline_mo
de
3 - camera_imaging
1 - pss_resourc
e_power 0 70
122000 6 -
camera_action_stopimaging
2 - camera_timeline_mo
de
2 - camera_st
and_by
1 - pss_resourc
e_power 0 56
596000
8 - camera_action_movemirrorrig
th
3 - camera_timeline_m
irrorposition 31(1)
1 - pss_resource_power
0 58
4 - camera_timeline_m
oving 1 - true
1 - pss_resource_power
0 58
Continua
175
Tabela B.2.4 - Conclusão
596099 endogeno 4 -
camera_timeline_moving
0 - false 1 -
pss_resource_power
0 56
...
599000 5 -
camera_action_startimaging
2 - camera_timeline_mo
de
3 - camera_imaging
1 - pss_resourc
e_power 0 70
652000 6 -
camera_action_stopimaging
2 - camera_timeline_mo
de
2 - camera_st
and_by
1 - pss_resourc
e_power 0 56
A seguir, tem-se uma breve explicação da Tabela B.2.4 anterior.
Para melhor atender a esses objetivos inicialmente o SEMAI inicializou uma
sessão no tempo ‘0’. Neste momento, a CAR deve estar desligada, apontando
para a posição de 90 graus, ou seja, para o NADIR.
No tempo 73000 milissegundos, a CAR dever estar energizada, porém ainda
desligada.
No tempo 74000 milissegundos, a CAR deverá ser ligada e colocada no modo
stand_by, modo em que fica aguardando instruções sem fazer nada.
No instante 99000 milissegundos, a CAR começa a imagear.
No instante 122000 milissegundos, a CAR para de imagear e volta a ficar em
estado de stand_by.
No tempo 596000 milissegundos, a CAR deverá começar a se mover e cada
100 milissegundos o evento endógeno deverá garantir que ela para de se
mover, fazendo com que ela se mova 1 grau a cada 100 milissegundos. Esse
evento deverá ocorrer até que a CAR chegue ao ângulo de 30 graus desejado.
Essa repetição está representada pelo símbolo ‘...’ na tabela.
No instante 599000 milissegundos, a CAR começa a imagear.
176
No instante 4422000 milissegundos, a CAR para de imagear e volta a ficar em
estado de stand_by.
Analisando o comportamento do SEMAI para a M2AI, observa-se que a
GOESA realiza as atividades conforme a Figura 5.3.
B.3 Estudo de Caso C – Objetivos Inválidos com Relação ao Tempo
Para esse estudo de caso serão enviados objetivos conflitantes para analisar o
comportamento do SEMAI com o Priorizador de Focos de Incêndios. O objetivo
deste estudo de caso é testar objetivos inválidos.
Os objetivos desse estudo de caso estão representados na Tabela B.3.1 a
seguir:
Tabela B.3.1 – Objetivos do Estudo de Caso C – Objetivos Inválidos com Relação ao
Tempo
Objetivo Tempo inicial Tempo final Ângulo
0 200000 300000 8
1 100000 300000 -7
2 400000 500000 0
3 200000 600000 8
Para essa execução, o SEMAI deve ser inicializado com a seguinte
configuração: a CAR deve iniciar suas atividades no ângulo ‘0’,estar
configurada como desligada e sem energia. O tempo da sessão de inferência,
ou seja, tempo de planejamento de atendimento aos objetivos, deve ser de 0
até 999999 milissegundos.
Além disso, é necessário que sejam cadastradas as áreas de importância para
a execução desse caso. As áreas de prioridades são as áreas da Tabela 8.2.
177
O algoritmo criado para o Priorizador de Focos de Incêndios classificará os
objetivos recebidos de acordo com a seguinte Tabela B.3.2. Esses dados
podem ser visualizados através do software criado para testes da GOESA que
foi adaptado para possuir essa funcionalidade.
Tabela B.3.2 – Tabela de Classificação dos Objetivos feita pelo Priorizador de Focos
de Incêndios para o Estudo de Caso C – Objetivos Inválidos com
Relação ao Tempo
Objetivos Restrições Intervalo de Referência Prioridade
0
1 o 1 3
2
3 ob 1 5
Como resultado dessas classificações tem-se a Tabela B.3.3 a seguir que indica
quais objetivos devem ser imageados e quais não devem.
Tabela B.3.3 – Tabela que mostra quais objetivos serão imageados para o Estudo de
Caso C – Objetivos Inválidos com Relação ao Tempo
Objetivos Imagear Parcial
Imagear Área Maior
Imagear Parcial com Retorno
É parcial de qual?
0 2 2 2
1 2 2 2
2 2 2 2
3 1 1 1
Ao executar o SEMAI para esses objetivos, a CAR realiza as ações detalhadas
na Tabela B.3.4 atendendo os dois objetivos corretamente.
Tabela B.3.4 - Ações realizadas pela GOESA para atender o Caso de Estudo C –
Objetivos Inválidos com Relação ao Tempo
178
Lista de Ocorrências
Tempo
Ação timeline afetada valor resource R
Consumer
R value
0 start sessão
1 - pss_timeline_camer
apowerlinestatus
0 - switched_
off
1 - pss_resourc
e_power 0 0
2 - camera_timeline_m
ode
0 - camera_no_power
3 - camera_timeline_m
irrorposition 30 (0)
4 - camera_timeline_m
oving 0
173000
1 - pass_action_switchoncameral
ine
1 - pss_timeline_camer
alinestatus
1 - switched_
on 2 -
camera_timeline_mode
1 - camera_power_off
174000 3 -
camera_action_poweron
2 - camera_timeline_m
ode
2 - camera_stand_by
1 - pss_resourc
e_power 0 56
408600
8 - camera_action_movemirror
rigth
3 - camera_timeline_
mirrorposition 31(1)
1 - pss_resource_power
0 58
4 - camera_timeline_
moving 1 - true
1 - pss_resource_power
0 58
408699
endogeno 4 -
camera_timeline_moving
0 - false 1 -
pss_resource_power
0 56
...
409000
5 - camera_action_startimagin
g
2 - camera_timeline_m
ode
3 - camera_imaging
1 - pss_resourc
e_power 0 70
442000
6 - camera_action_stopimagin
g
2 - camera_timeline_m
ode
2 - camera_stand_by
1 - pss_resourc
e_power 0 56
179
A seguir tem-se uma breve explicação da Tabela B.3.4 anterior.
Para melhor atender a esses objetivos, inicialmente o SEMAI inicializou uma
sessão no tempo ‘0’. Neste momento, a CAR deve estar desligada, apontando
para a posição de 90 graus, ou seja, para o NADIR.
No tempo 173000 milissegundos, a CAR dever estar energizada, porém ainda
desligada.
No tempo 174000 milissegundos, a CAR deverá ser ligada e colocada no modo
stand_by, modo em que fica aguardando instruções sem executar nenhuma
ação.
No tempo 408600 milissegundos, a CAR deverá começar a se mover e cada
100 milissegundos o evento endógeno deverá garantir que ela para de se
mover, fazendo com que ela se mova 1 grau a cada 100 milissegundos. Esse
evento deverá ocorrer até que a CAR chegue ao ângulo de 8 graus desejado.
Essa repetição está representada pelo símbolo ‘...’ na tabela.
No instante 409000 milissegundos, a CAR começa a imagear.
No instante 442000 milissegundos, a CAR para de imagear e volta a ficar em
estado de stand_by.
Analisando o comportamento do SEMAI para a M2AI, observa-se que a
GOESA realiza as atividades conforme a Figura 5.3.
B.4 Estudo de Caso D – Objetivos Conflitantes com Relação ao Tempo
Para esse estudo de caso serão enviados objetivos conflitantes para analisar o
comportamento do SEMAI com o Priorizador de Focos de Incêndios. O objetivo
deste estudo de caso é testar o conflito relacionado ao momento inicial de cada
objetivo.
180
Os objetivos desse estudo de caso estão representados na Tabela B.4.1 a
seguir:
Tabela B.4.1 – Objetivos do Estudo de Caso D – Objetivos Conflitantes com Relação
ao Tempo
Objetivo Tempo inicial Tempo final Ângulo
0 400000 450000 0
1 410000 440000 4
2 413000 460000 8
Para essa execução, o SEMAI deve ser inicializado com a seguinte
configuração: a CAR deve iniciar suas atividades no ângulo ‘0’, estar
configurada como desligada e sem energia. O tempo da sessão de inferência,
ou seja, tempo de planejamento de atendimento aos objetivos, deve ser de 0
até 999999 milissegundos.
Além disso, é necessário que sejam cadastradas as áreas de importância para
a execução desse caso. As áreas de prioridades são as áreas da Tabela 8.2.
O algoritmo criado para o Priorizador de Focos de Incêndios classificará os
objetivos recebidos de acordo com a seguinte Tabela B.4.2. Esses dados
podem ser visualizados através do software criado para testes da GOESA que
foi adaptado para possuir essa funcionalidade.
Tabela B.4.2 – Tabela de Classificação dos Objetivos feita pelo Priorizador de Focos
de Incêndios para o Estudo de Caso D – Objetivos Conflitantes com
Relação ao Tempo
Objetivos Restrições Intervalo de Referência Prioridade
0 o,c 1 3
1 o,ob,cb 1 3
2 ob 1 3
181
Como resultado dessas classificações, tem-se a Tabela B.4.3 a seguir que
indica quais objetivos devem ser imageados e quais não devem.
Tabela B.4.3 – Tabela que mostra quais objetivos serão imageados para o Estudo de
Caso D – Objetivos Conflitantes com Relação ao Tempo
Objetivos Imagear Parcial
Imagear Área Maior
Imagear Parcial com Retorno
É parcial de qual?
0 2 1 2
1 1 2 1
2 2 2 2
Ao executar o SEMAI para esses objetivos, a CAR realiza as ações detalhadas
na Tabela B.4.4 atendendo os dois objetivos corretamente.
Tabela B.4.4 - Ações realizadas pela GOESA para atender o Caso de Estudo D –
Objetivos Conflitantes com Relação ao Tempo
Lista de Ocorrências
Tempo Ação timeline afetada valor resource R
Consumer
R value
0 start sessão
1 - pss_timeline_camera
powerlinestatus
0 - switched_
off
1 - pss_resourc
e_power 0 0
2 - camera_timeline_mo
de
0 - camera_no_power
3 - camera_timeline_mir
rorposition 30 (0)
4 - camera_timeline_mo
ving 0
Continua
182
Tabela B.4.4 – Conclusão
383000
1 - pass_action_switchoncam
eraline
1 - pss_timeline_camera
linestatus
1 - switched_
on 2 -
camera_timeline_mode
1 - camera_power_off
384000 3 -
camera_action_poweron
2 - camera_timeline_mo
de
2 - camera_st
and_by
1 - pss_resourc
e_power 0 56
408600
8 - camera_action_movemir
rorrigth
3 - camera_timeline_m
irrorposition 31(1)
1 - pss_resource_power
0 58
4 - camera_timeline_m
oving 1 - true
1 - pss_resource_power
0 58
408699 endogeno 4 -
camera_timeline_moving
0 - false 1 -
pss_resource_power
0 56
...
409000
5 - camera_action_startima
ging
2 - camera_timeline_mo
de
3 - camera_imaging
1 - pss_resourc
e_power 0 70
442000
6 - camera_action_stopima
ging
2 - camera_timeline_mo
de
2 - camera_st
and_by
1 - pss_resourc
e_power 0 56
A seguir, tem-se uma breve explicação da Tabela B.4.4 anterior.
Para melhor atender a esses objetivos inicialmente o SEMAI inicializou uma
sessão no tempo ‘0’. Neste momento a CAR deve estar desligada, apontando
para a posição de 90 graus, ou seja, para o NADIR.
No tempo 383000 milissegundos, a CAR dever estar energizada, porém ainda
desligada.
183
No tempo 384000 milissegundos, a CAR deverá ser ligada e colocada no modo
stand_by, modo em que fica aguardando instruções sem fazer nada.
No tempo 408600 milissegundos, a CAR deverá começar a se mover e cada
100 milissegundos o evento endógeno deverá garantir que ela para de se
mover, fazendo com que ela se mova 1 grau a cada 100 milissegundos. Esse
evento deverá ocorrer até que a CAR chegue ao ângulo de 4 graus desejado.
Essa repetição está representada pelo símbolo ‘...’ na tabela.
No instante 409000 milissegundos, a CAR começa a imagear.
No instante 4422000 milissegundos, a CAR para de imagear e volta a ficar em
estado de stand_by.
Analisando o comportamento do SEMAI para a M2AI, observa-se que ele
realiza as atividades conforme a Figura 5.3.
B.5 Estudo de Caso E – Objetivos Iguais
Para esse estudo de caso serão enviados objetivos conflitantes para analisar o
comportamento do SEMAI com o Priorizador de Focos de Incêndios. O objetivo
deste estudo de caso é testar o conflito relacionado ao momento inicial de cada
objetivo.
Os objetivos desse estudo de caso estão representados na Tabela B.5.1 a
seguir:
Tabela B.5.1 – Objetivos do Estudo de Caso E – Obejtivos Iguais
Objetivo Tempo inicial Tempo final Ângulo
0 800000 850000 -7
1 800000 860000 0
2 820000 870000 8
3 820000 870000 10
184
Para essa execução, o SEMAI deve ser inicializado com a seguinte
configuração: a CAR deve iniciar suas atividades no ângulo ‘0’, estar
configurada como desligada e sem energia. O tempo da sessão de inferência,
ou seja, tempo de planejamento de atendimento aos objetivos, deve ser de 0
até 999999 milissegundos.
Além disso, é necessário que sejam cadastradas as áreas de importância para
a execução desse caso. As áreas de prioridades são as áreas da Tabela 8.2.
O algoritmo criado para o Priorizador de Focos de Incêndios classificará os
objetivos recebidos de acordo com a seguinte Tabela B.5.2. Esses dados
podem ser visualizados através do software criado para testes da GOESA que
foi adaptado para possuir essa funcionalidade.
Tabela B.5.2 – Tabela de Classificação dos Objetivos feita pelo Priorizador de Focos
de Incêndios para o Estudo de Caso E – Obejtivos Iguais
Objetivos Restrições Intervalo de Referência Prioridade
0 o,s 1 0
1 o,ob,sb 1 0
2 o,fb,s,e,ob 1 0
3 e,ob,f,sb 1 0
Como resultado dessas classificações, tem-se a Tabela B.5.3 a seguir que
indica quais objetivos devem ser imageados e quais não devem.
Tabela B.5.3 – Tabela que mostra quais objetivos serão imageados para o Estudo de
Caso E – Obejtivos Iguais
Objetivos Imagear Parcial
Imagear Área Maior
Imagear Parcial com Retorno
É parcial de qual?
0 2 2 2
1 1 1 1
2 2 2 2
3 2 2 2
185
Ao executar o SEMAI para esses objetivos ela realiza as ações detalhadas na
Tabela B.5.4 atendendo os dois objetivos corretamente.
Tabela B.5.4 - Ações realizadas pela GOESA para atender o Caso de Estudo E –
Obejtivos Iguais
Lista de Ocorrências
Tempo Ação timeline afetada Valor resource R
Consumer
R value
0 start sessão
1 - pss_timeline_camera
powerlinestatus
0 - switched_
off
1 - pss_resourc
e_power 0 0
2 - camera_timeline_mod
e
0 - camera_no_power
3 - camera_timeline_mirr
orposition 30 (0)
4 - camera_timeline_mov
ing 0
773000
1 - pass_action_switchoncamer
aline
1 - pss_timeline_cameral
inestatus
1 - switched_
on 2 -
camera_timeline_mode
1 - camera_power_off
774000 3 -
camera_action_poweron
2 - camera_timeline_mod
e
2 - camera_st
and_by
1 - pss_resourc
e_power 0 56
799000
5 - camera_action_startimagin
g
2 - camera_timeline_mod
e
3 - camera_im
aging
1 - pss_resourc
e_power 0 70
862000
6 - camera_action_stopimagin
g
2 - camera_timeline_mod
e
2 - camera_st
and_by
1 - pss_resourc
e_power 0 56
A seguir tem-se uma breve explicação da Tabela B.5.4 anterior.
186
Para melhor atender a esses objetivos, inicialmente o SEMAI inicializou uma
sessão no tempo ‘0’. Neste momento a CAR deve estar desligada, apontando
para a posição de 90 graus, ou seja, para o NADIR.
No tempo 73000 milissegundos, a CAR dever estar energizada, porém ainda
desligada.
No tempo 74000 milissegundos. a CAR deverá ser ligada e colocada no modo
stand_by, modo em que fica aguardando instruções sem fazer nada.
No instante 799000 milissegundos, a CAR começa a imagear.
No instante 862000 milissegundos, a CAR para de imagear e volta a ficar em
estado de stand_by.
Analisando o comportamento do SEMAI para a M2AI, observa-se que ele
realiza as atividades conforme a Figura 5.3.